音声・動画を文字から編集できるAIツール公開

開発陣がViiTor Liveを作ったのは、録音を保存することと、その中から特定の発言を見つけ出せることは別の問題だからだ。長時間のインタビューや会議を扱う人なら誰でも共感できる不満が並ぶ。引用箇所の分秒を探すこと、複数人の会話で話者を見分けること、人名や専門用語を正確に扱うこと。ツールはそれぞれに対処する。想定参加人数を設定できる話者識別、人名や専門用語のためのホットワードリスト、各行を元の音声に結び付けるタイムスタンプを備える。要約機能は、詳細に入る前に全体像をつかむためのものだ。

編集機能はさらに一歩進む。波形編集ソフトを開いて不要部分を切る代わりに、文字起こしの該当する文を削除すれば、それに合わせて音声が編集される。修正した箇所はAI生成音声でプレビューできる。開発陣によれば、これは文単位の削除・置き換えを想定したもので、マルチトラック制作やフレーム単位の動画編集向けではない。出力は、議事録や記事の下書き向けのDOCX、検索や保存向けのTXT、動画字幕向けのSRTに対応し、文字起こしを別の場所で入力し直さずに次の作業へ移せる。

チームは限界も率直に示す。文字起こしはサーバー上で処理されるため、機密性の高い資料をアップロードする前に組織のセキュリティポリシーを確認するよう勧めている。認識精度は録音環境によって変わり、ホットワードは精度を高めるが正確さを保証するものではないため、重要な数字や契約内容は元の音声で確認すべきだという。改善項目として固有名詞の認識、話者の識別、字幕出力も挙げ、誤りの報告や用途の提案を呼びかけている。