Whisperで歌詞字幕（SRT）を自動生成する方法｜Groq・OpenAI・ブラウザ内の比較

公開日: 2026-10-02

アルバム1枚分の歌詞にタイムスタンプを手で打つのは大変です。OpenAIの音声認識モデル「Whisper」を使えば、曲を聴かせるだけで数秒〜数分でタイミング付きの歌詞ができあがります。この記事では、LyricsFlow MVMakerでWhisperを使う3つの方法を比べ、歌声から正確な字幕を作るコツを紹介します。

Whisperは歌をどう認識するか

Whisperは主に話し声で学習されたモデルですが、ボーカルがはっきりしていて伴奏が厚すぎなければ、歌でもかなりの精度で認識します。出力は開始・終了時間付きの区間（セグメント）なので、そのままSRTのブロックになります。ただし、次のような苦手もあります。

• ロングトーンやこぶしは、短くなったり飛ばされたりすることがあります。
• 繰り返しのサビがまとめられたり、まれに間奏中に存在しない歌詞が出力（ハルシネーション）されたりします。
• 造語・固有名詞・言語の混在（日本語の曲の中の英語フレーズなど）は表記を間違えやすいです。
• 区切り位置は音の切れ目で決まるため、意図したフレーズ分けとは一致しません。

出力は「下書き」と考えましょう。タイミングの骨組みはたいてい良好で、文字は歌詞カードと照らし合わせて校正する、という使い方がおすすめです。

3つの方法の比較

多くの場合は、Groq APIの whisper-large-v3-turbo がバランス最良です。言葉の取りこぼしが多いときは whisper-large-v3 を試してください。未発表曲をどこにも送りたくない場合や、APIキーがない場合はブラウザ内Whisperを使いましょう。

LyricsFlow MVMakerでの手順

1. エディタを開き、音源ファイルを読み込みます。
2. SRT自動生成パネルを開きます。
3. APIの種類を選びます。Groqの場合は console.groq.com/keys でキーを作成して貼り付けます。キーはお使いのブラウザにのみ保存されます。
4. ブラウザ内モデルを使う場合は、文字起こしの言語を指定します。言語を明示すると、イントロで言語を誤判定するのを防げます。
5. 生成を開始します。完了すると、処理時間・フレーズ数・SRTのプレビューが表示されます。
6. タイムラインに適用 するか、いったん SRT保存 して別のツールで編集します。

精度を上げるコツ

• ボーカルが大きいミックスを使う。 自作曲なら、文字起こし用にボーカルを上げたミックス（またはボーカルのみの音源）を書き出しましょう。曲の長さが同じなら、タイミングは本番のミックスとそのまま一致します。
• イントロは切らない。 冒頭をカットするとすべてのタイムスタンプがずれます。間奏中に出てきた余計な行は、あとから削除すれば大丈夫です。
• 歌詞カードと照らし合わせて校正する。 曲を再生しながらフレーズ調整パネルで文字を差し替えます。タイミングは微調整で済むことがほとんどです。
• 長いセグメントは分割する。 一文まるごと1区間になることがあります。読みやすい長さに分けると、アニメーションも映えます。
• 最初と最後の行を確認する。 タイミングのずれが最も起きやすい場所です。

プライバシーについて

APIを使う場合、音源はブラウザから選択した事業者へ直接送信され、LyricsFlow MVMakerのサーバーは経由しません。未発表曲の場合は、各事業者のデータの取り扱いを確認してください。ブラウザ内Whisperなら、音源がPCの外に出ることはありません。詳しくは プライバシーポリシー をご覧ください。

次のステップ

歌詞がタイムラインに並んだら、🎲 全フレーズにランダム適用 で下書きを作り、大事な行を仕上げていきましょう。やり方は 文字アニメーションのコツ8選 で解説しています。