AI キャプション

Beam は、有効なオーディオ クリップからローカルで音声キャプションを生成します。選択した Whisper モデルをダウンロードし、デバイス上で文字起こしし、タイムライン上に編集可能なキャプション クリップを作成します。

キャプションパネル

Screenshot pendingAdd the image at:website/docs/public/screenshots/editor/captions-panel.webp

キャプションを生成する前に、有効なオーディオ ソースとローカル ウィスパー モデルを選択してください。

音源

ソース	現れたとき	選択ルール
システムオーディオ	システム役割を持つ有効なクリップが存在します。	システムオーディオとして識別されます。
マイク	マイクの役割を持つ有効なクリップが存在します。	マイクとして識別されました。
輸入オーディオ	有効なインポートされたオーディオ クリップが存在します。	クリップ名を使用します。
メディア URL が重複しています	2 つの有効なクリップが同じオーディオ URL を参照します。	最初のソースのみが提供されます。
使えるソースが無い	有効なオーディオ クリップには、読み取り可能なアセット URL がありません。	生成は利用できないままです。

ウィスパーモデル

モデル	言語	パフォーマンス指導
小さな	多言語対応	デフォルトのモデル。
Tiny.en	英語	英語専用モデル。
ベース	多言語対応	追加の警告はありません。
Base.en	英語	英語専用モデル。
小	多言語対応	WebGPU がないと遅い場合があります。
Small.en	英語	WebGPU がないと遅い場合があります。
中	多言語対応	大量のダウンロード。 WebGPU推奨。
Medium.en	英語	大量のダウンロード。 WebGPU推奨。
大規模な v3	多言語対応	WebGPU がないと非常に大きくて遅い。

モデルのダウンロードと削除

状態またはアクション	行動
行方不明	選択したモデルでモデルのダウンロードが可能です。
ダウンロード中	Beam は、ダウンロードされたバイト数と合計バイト数を進行状況バーとともにレポートします。
準備完了	チェック マークはインストールされているモデルを示し、[モデルの削除] が使用可能になります。
モデルの削除	ダウンロード、削除、転写中は利用できません。
ダウンロードエラー	エラーが表示され、診断のためにコピーできます。

生成と再生

1. 有効なオーディオ ソースの 1 つを選択します。
2. 準備ができていない場合は、Whisper モデルを選択してダウンロードします。
3. 「キャプションの生成」を選択します。 Beam はソースをデコードし、モノラル 16 kHz オーディオに変換し、タイムラインの長さに制限します。
4. 部分的な転写結果は、処理の続行中に構成を更新します。
5. 実行が完了すると、最初に生成されたキャプションが編集用に選択されます。

行動	ルール
文のグループ化	キャプション フレーズを句読点または 12 単語の後で終了します。
生成されたクリップの最小継続時間	40ミリ秒
再生する	既存の AI 生成のキャプションを置き換え、手動キャプションを保持します。
キャンセル	モデルの読み込みまたは転写を停止します。
パネルを閉じる	アクティブな文字起こしの実行をキャンセルします。
診断	経過時間をレポートし、処理後にコピー可能な転写レポートを公開します。

ローカル文字起こし

デバイス上で Whisper が実行されます。キャプションの生成には、クラウド アップロードや API キーは必要ありません。

生成されたキャプションを編集する

生成されたキャプションは、AI 生成としてマークされた通常の編集可能なキャプション クリップです。テキスト、タイミング、ビジュアル スタイルは、生成後に [クリップ] パネルとタイムラインを通じて調整できます。