音声認識安定版v1.0またはローリングlatest

Qwen3-ASR-STT

録音もライブ音声もローカルで文字起こし。

30言語の文字起こし、時間を制限したライブマイクセッション、正確なタイムスタンプと字幕、OpenAI互換クライアント、ローカルファイルまたはURLからのオプトイン式MCP文字起こしに対応する最新のローカルASRサービスです。

必要なもの

Docker と対応 NVIDIA GPU が必要です。標準の 0.6B モデルは起動時に約 4.6 GB の VRAM を使用し、任意のタイムスタンプ機能を読み込むと約 3.3 GiB が追加で必要です。

最初の結果

文字起こし画面で音声ファイルまたは短い録音を追加し、文字起こしを選びます。ライブマイクにはストリーム、連携状態にはAPI、GPUと実行時制御にはシステムを使用します。

プライバシー重視の設計

完全版には ASR モデルが含まれ、取得後は録音を外部サービスへ送らず文字起こしできます。

含まれるもの

モデルだけではない、完全なローカル環境。