文字起こし

文字起こし（Transcribe）ノードは、音声をテキストにします。オーディオか動画を接続すると、ノードは文字起こしを 2 つの形で返します。プレーンなテキストと、すべての単語のタイミングが入った構造化された文字起こしです。3 つのエンジンから選べ、エンジンによって、字幕にとって重要な 1 点が異なります。単語のタイミングを返すかどうかです。

使いどころ

• インタビューやポッドキャストを文字起こしして、文章のコンテンツにします。
• 字幕を追加（Add Captions）で、動画の音声から字幕を作ります。
• ボイスメモや会議の録音をテキストにします。
• オーディオライブラリを、テキストで検索できるようにします。
• 文字起こしをテキスト系のノードに渡して、要約や分析をします。
• 編集プラン（Edit Plan）が編集を計画するのに必要な、タイミング付きの文字起こしを渡します。

クイックスタート

入力と出力

プロンプトの中で {Transcribe} のようにノードのラベルを参照すると、プレーンなテキストが入ります。

設定

話者分離とオーディオイベントのタグ付けは、互いに独立した設定です。どちらか一方だけをオンにすることも、両方をオンにすることも、どちらもオフのままにすることもできます。

モデル

単語のタイミング：どのエンジンが返すか

明らかに話し声があるオーディオに対して、ElevenLabs STT や Incredibly Fast Whisper が単語のタイミングを返さなかった場合、実行は失敗し、クレジットは返還されます。話し声がまったくないオーディオは、単語なしのまま成功します。たとえば、[music] と文字起こしされるクリップです。

構造化された文字起こし

文字起こし出力は、次のような形です。

{
  "version": 1,
  "language": "en",
  "words": [
    { "text": "Welcome", "startMs": 0, "endMs": 420 },
    { "text": "back", "startMs": 460, "endMs": 700 }
  ],
  "segments": [
    { "startMs": 0, "endMs": 700, "text": "Welcome back" }
  ]
}

• 時間はすべて、ミリ秒単位の整数です。
• words には、すべての単語が開始と終了の時間とともに入ります。エンジンが単語のタイミングを返すときは、常に値が入ります。
• segments には、より大きな単位の文やフレーズが入ります。エンジンがそれを返す場合だけです。
• 話者分離をオンにした実行では、各単語と各セグメントに speaker も付きます。単語には confidence が付くこともあります。

テキスト出力では、話者分離によって各セグメントの前に Speaker 1: のようなラベルが付き、オーディオイベントのタグ付けによって [music] や [laughter] のようなタグが、その音の位置に入ります。

文字起こしから字幕を作る

文字起こし出力を、字幕を追加の文字起こし入力に接続します。すると字幕を追加が、各単語のタイミングに合わせて字幕を描きます。これには ElevenLabs STT か Incredibly Fast Whisper を使います。

Whisper の文字起こしでは字幕を作れません。Whisper を使う文字起こしノードが字幕を追加につながっている場合、何かが実行されたり課金されたりする前に、次のメッセージとともに実行が拒否されます。

Captions need word timings, but the "whisper" engine does not return word timings — pick incredibly-fast-whisper or elevenlabs-stt.

• このチェックは、EDL 適用（Apply EDL）を経由するつながりや、どの深さのサブワークフロー内のつながりも対象にします。
• 接続した時点で、設定パネルのプロバイダーの横にも同じ警告が表示されるので、実行する前に修正できます。
• 文字起こしノードを単独で実行する場合は、ブロックされることはありません。Whisper の文字起こしを、ほかの場所に渡すのも問題ありません。
• 事前にチェックできないケースが 1 つあります。文字起こしと字幕を追加が、サブワークフローの境界をはさんで別々の側にあるつながりです。この場合、文字起こしが実行されて課金された後に、字幕を追加で実行が失敗します。

クレジット

文字起こしの料金は、オーディオの長さにかかわらず、1 回の実行ごとの定額です。

字幕を追加に接続された Whisper の文字起こしのように、開始前に拒否されたリクエストには料金がかかりません。

セルフホスティング環境の場合

各エンジンは、自分のプロバイダーキーで動きます。選んだエンジンのキーがなく、環境に Nodaro Cloud への接続がある場合、文字起こしはその接続を通じて実行されます。どちらもない場合、ノードは失敗し、追加すべきキーを示すメッセージが表示されます。プロバイダーキーを参照してください。

ヒント

• 言語は自動検出のままにする：言語を選ぶのは、その言語がわかっている場合だけにします。たとえば、2 つの言語の響きが似ている場合です。
• 会話では話者にラベルを付ける：インタビュー、会議、ポッドキャストでは、話者分離をオンにします。
• 必要なときはイベントにタグを付ける：背景の音が録音の理解に役立つ場合は、オーディオイベントのタグ付けをオンにします。
• ノイズの多いオーディオは先にクリーンにする：文字起こしの前に、録音を音声抽出（Voice Extractor）に通します。
• とても長いオーディオは分割する：短いセグメントのほうが、確実に文字起こしできます。チャンクに分割（Split into Chunks）は、長いファイルを同じ長さのパートに分けます。
• 代わりに手元の台本を合わせる：正確な台本がすでにある場合は、強制アライメント（Forced Alignment）が、台本の各単語のタイミングをオーディオに合わせて求めます。

API から

POST /v1/transcribe は、audioUrl と、任意の provider（elevenlabs-stt、incredibly-fast-whisper、whisper）、language、diarize、tagAudioEvents、wordTimestamps を受け取ります。

• エンジンを指定する：provider のないリクエストは Whisper で実行されるので、既存の呼び出し元はこれまでと同じエンジンを使い続けます。単語のタイミング、diarize、tagAudioEvents が必要な場合は、必ず provider を設定してください。
• 単語のタイミング：incredibly-fast-whisper が単語を返すのは、wordTimestamps: true を指定した場合だけです。whisper で wordTimestamps: true を指定すると、ジョブが作成される前に 400 validation_error で拒否されるので、料金はかかりません。エンジンが知らないうちに切り替えられることはありません。
• 字幕：完了したジョブの output_data.words は、すでに字幕の形（text、startMs、endMs）になっています。これを captions として POST /v1/add-captions に渡せば、字幕を追加がもう一度文字起こしすることはありません。
• 料金：GET /v1/credits/model-cost?model=<engine> は、自分のアカウントでの正確な料金を返します。

SDK のメソッドは client.audio.transcribe、CLI のコマンドは nodaro audio transcribe --provider <engine> です。MCP ツールの transcribe は常に ElevenLabs STT で実行されるので、その結果には必ず単語のタイミングが含まれます。音声とメディアを参照してください。