01
会議と通話
Zoom、Google Meet、 Teams、Slack のハドルミーティング、 Discord の通話、ブラウザのタブで開いた通話。 どれもアプリから出てくる音声にすぎないので、どれも同じように 字幕が付きます。ボットは入らず、誰にも知らされず、参加者一覧には 何も現れません。半分しか聞き取れなかった言葉は、聞き返すより読むほうが 速いし、誰の話も止めずに済みます。
1.3 の新機能16 言語のうち任意の 2 言語間をリアルタイム翻訳リアルタイム翻訳、デバイス上で
Mac が再生するものすべてに、
Mac が再生するものすべてに、
リアルタイム字幕を。
通話も、動画も、ポッドキャストも、講義も。再生しながら文字起こしして、 すべてのウインドウの上に残るオーバーレイに描きます。望むなら、そのまま リアルタイム翻訳も。Mac の外には何も出ません。
ローンチウィーク：8 月 22 日まで $9 のところ $5 · 14 日間の返金保証
- 7 日間無料、カード不要、アカウント不要
- $9 の買い切り、アップデートはすべて込み
- 14 日間、理由を問わず返金します
- macOS 14.2 以降、Apple silicon 向けのダウンロード
- Gumroad で評価 5.0
アプリを切り替えても字幕は残ります。オーバーレイはすべてのウインドウより前面にあり、クリックはそのまま下へ通します。
ウインドウをクリックすれば、そのウインドウが前面に出ます。動かしたいときは ⇧ を押しながら字幕をドラッグしてください。アプリでの操作と同じです。
字幕にポインタを近づけると、ポインタの下だけ字幕が溶けて消えます。⌥ を押しながらにすると、直前のいくつかが積み上がります。どちらもアプリとまったく同じように、ここで動きます。
Mac が再生できるどのアプリにも字幕を
活用シーン
話の筋を見失う、その瞬間のために
会議では、第二言語かどうかにかかわらず、一語聞き逃せば次の三語も失います。 Subtitles は Mac が再生しているものに、それを再生しているアプリの上で 字幕を付けるので、誰かに聞き返さなくてもついていけます。 耳が聞こえない、あるいは聞こえにくい場合も、 聞こえるのに聞き取れない場合も、 第二言語で聞いている場合も、ただ騒がしい場所で働いているだけの場合も、 繰り返し出てくる場面は次の三つです。
02
聞きながら作業する
メモやエディタ、ブラウザに切り替えてください。オーバーレイは すべてのウインドウの上に残り、クリックは下へ通すので、見張っていなくても 会話は続いていきます。 Granola のようなメモアプリは会議が 終わったあとにまとめてくれます。こちらは、会議の最中にこそ必要な 側です。
03
動画・ポッドキャスト・講義
字幕のない動画、あるいは無いほうがましな自動字幕しかない動画。 まだ学んでいる途中の言語で聞くポッドキャスト。 録画された講義や配信中の講義、インタビュー、 セリフの小さい映画。再生されるものは何でも、再生しながら字幕になります。 元の言語のままでも、あなたの言語に翻訳しても。
プライバシー
Mac の外には何も出ません。IT 部門が審査するものもありません。
これを仕事の通話に向けられるのは、これがサービスではないからです。サーバーもアカウントも文字起こしもないので、送るものがなく、あいだに入る相手もいません。詳しい版も書いてあります。ソースは公開されているので、どれも信用だけで受け取る必要はありません。
-
ボットは通話に入りません。Mac がすでに再生している音を捉えるだけなので、参加者一覧に何かが現れることはなく、何かが動いていると誰かに知らされることもありません。この分野の大半は代わりに目に見える参加者を送り込みますが、それを一切認めない会社は少なくありません。
-
録音もしませんし、ディスクにも書き込みません。音声はタップから認識器へ渡り、その場で捨てられます。字幕は画面に出て、そして消えます。⌥ が呼び戻すボックスは終了するまでメモリ上にあるだけで、そのあとに探せるファイルは、Mac にもどこにもありません。
-
マイクは一度も開きません。聞こえるのは Mac が再生している音だけです。これは本当の制約であり、同時に、あなたが話した内容がどこにも行きようがない理由でもあります。
-
アカウントなし、テレメトリなし、通信なし。サインインする先はなく、利用状況がどこかに送られることもありません。モデルは一度だけ、約 633 MB をダウンロードします。そのあとに残る通信は、新しいバージョンが出ていないか日に一度確かめることだけで、それも先にあなたに尋ねます。Wi-Fi を切っても字幕は出続けます。
機能
三つの制約から作りました
ライブの音声は一時停止できないし、やり直しもきかないし、そもそも Mac の外へ出す必要もありません。ここにあるものはすべて、そこから決まっています。
Mac の外には何も出ません
ローカルかつオフラインで動きます。アカウントも、テレメトリも、あなたの何かを運ぶネットワーク通信もありません。音声はタップから認識エンジンへ直接渡され、そのまま捨てられます。ダウンロードされるのは、一度きりのモデル本体と、あなたが選んだときのアップデートだけです。
CPU ではなく Neural Engine
目安はリアルタイムファクター 0.15。計算 1 秒あたり 6 秒ぶんの発話を文字起こしします。同じモデルを CPU で測ったときは、ライブの音声に追いつくには約 100 倍遅すぎました。
すべてのアプリ、あるいは一つだけ
既定では Mac が再生しているものすべてを聞くので、動かすために設定するものはありません。二つのものが同時に話しているときは、メニューバーから一つのアプリに絞れます。そのアプリと、それが生成するヘルパープロセスをすべて取り込むので、音声が主プロセスから出てこないブラウザや Electron アプリでも動きます。
音楽が歌詞になりません
認識エンジンの手前で音声検出が動くので、バックの音楽がそこに届くことはありません。これがないと、音楽がモデルのコンテキストを埋めてしまい、その直後の数語が失われます。
話者ごとに新しいボックス
別の人が話し始めたら新しい字幕を始める、という動作も選べます。間が空いたときと同じ扱いです。既定ではオフです。1 つ目のモデルと並べて 2 つ目のモデルを動かすことになるからです。
16 言語
既定のモデルは言語を自分で判定します。英語にはさらに専用のチェックポイントが 7 つあり、160 ms から上でレイテンシと精度を天秤にかけられます。
ポインタを向けたところに穴があく
ポインタをボックスに近づけると、ポインタの下だけボックスが薄れて消えます。読んでいる文が、書いている文を覆うことはありません。どれくらい消えるか、穴がどこまで届くかは自分で決められます。⇧ を押しているあいだは、そのままの濃さを保ちます。
聞き逃したぶんは ⌥ を押しながら
ボックスは放送字幕と同じようにページを繰ります。埋まって、消えて、また始まる。だから目を離した行はそれきりです。⌥ を押しながらにすると、閉じたボックスがいま出ているボックスの上に積み直されます。最後に話が途切れてから閉じたものが一つ残らず、古いものはスクロールで辿れ、⌥F で検索できます。指を離せば、また消えます。どこにも何も書き込まれません。
オーバーレイそのものがプレビュー
メニューから ⌘, で設定が開きます。ボックスが何行埋まったら消えるか、どれくらい濃いか、ポインタの下の薄れがどこまで届くか、⌥ がどこまで遡るか。どのスライダーも、動かしているあいだそのままオーバーレイに反映されます。数字を選ぶのではなく、見ながら決めるということです。
仕組み
アプリの音声から画面まで、4 つのステップで
コピーしかしないリアルタイムオーディオスレッド、文字起こしを決してしない移植可能なコア、そして本来あるべき場所で動くモデル。
-
1
Core Audio のプロセスタップ
48 kHz ステレオ、10.7 ms ごとにコールバック。リアルタイムスレッドはロックフリーのリングバッファへコピーするだけで、ほかには何もしません。
-
2
リサンプルとゲート
ワーカースレッドで 16 kHz モノラルまで落とし、無音は飛ばします。発話の手前に約 1 秒ぶんを流し直すので、どの語も途中から始まりません。
-
3
Neural Engine 上の Parakeet
30 秒ぶんをまとめて処理するモデルではなく、ストリーミングのモデルです。音声に追従する字幕と、数秒遅れて届く字幕の差はここにあります。
-
4
オーバーレイ
3 行ぶんのページが、放送の字幕と同じようにいったん消えて次に進みます。消えるのは音声が止まってからではなく、最後に新しいテキストが出てから 4 秒後です。
リングバッファからモデルの境界までは、移植可能な Rust です。あえて文字起こしはせず、フレームを渡すだけです。Mac に固有なのはタップとオーバーレイだけです。
比較
Apple のライブキャプションで足りないとき
macOS には字幕機能が標準で入っています。Apple silicon の Mac ならどれでも無料で、システム設定 › アクセシビリティ › ライブキャプションから使えます。それで足りるなら、それを使ってください。ここに挙げるのは、私の用途では足りなくなった点です。長い版が読みたければ、項目ごとの比較もあります。
| 機能 | Subtitles | Apple のライブキャプション |
|---|---|---|
| 言語 | 16 言語、自動で判別、どの 2 言語間でもリアルタイム翻訳 | すべての言語・地域で使えるわけではありません |
| オーバーレイ | クリックを通し、ポインタの下では薄れ、すべてのウインドウの上に残ります | 自分で動かしてサイズを変えるウインドウ |
| 聞く対象 | Mac が再生するすべて、または選んだ一つのアプリ | Mac が再生するすべて |
| 音楽 | 音声検出器が飛ばすので、伴奏が歌詞になることはありません | 字幕になります |
| 話者の交代 | 話者ごとに新しいボックス（オプション） | 相当する機能なし |
| モデル | 英語のチェックポイント 7 つでレイテンシと精度を選べ、さらに多言語モデルが 1 つ | 1 つ、固定 |
| 価格 | 7 日間無料、その後は $9 の買い切り、アップデートはすべて込み | 無料、標準搭載 |
利用者の声
実際の通話で使われています
So smooth, very useful during meetings on different apps (slack, zoom, google), so well integrated on the screen, doesn't block interacting with the other windows, love it!
Almost no setup, no tweaking around: you install it and it just works. Simple, useful and really effective.
Very handy! I love how it can be connected to any audio source on my laptop, which helps not only for meetings and videocalls, but also for all those streaming services that do not support subtitles, like news websites or even some YouTube videos. The model supports many languages, so it's also useful if you're learning a foreign language and need subtitles to help you understand what's being said.
これを作った理由
私はアメリカの会社で働いていて、会議は英語です。英語は私の母語でも、同僚の多くの母語でもありません。別のことに手をつけているあいだに限って、話は肝心なところに来ます。そして気づいたときには、それはもう過ぎたあとです。聞き取れなかった一語、まだ耳が慣れていない訛り、二人の声が重なったところ。聞き返せば、その場にいる全員の 30 秒が消えて、話していた人をさえぎることにもなります。
だから字幕は、自分が別のことをしているあいだも読めるものでなければなりませんでした。一つのアプリの中のパネルではなく、すべてのウインドウの上に重なるオーバーレイなのも、クリックをいっさい受け取らないのも、動かさずに済むようポインタの下で薄れるのも、そのためです。このページにあるほかのことは、すべてそのあとから決まりました。
Mathieu Jouhet、これを作っている本人です。
価格
価格は一つ。繰り返しの支払いはありません。
まずは 7 日間、カードもアカウントもなしで無料で試せます。その後は $9 を一度だけ。買い足す分数も、シート数も、更新もなく、今後のアップデートはすべて含まれます。どの文字起こしサブスクリプションの一か月分よりも安い値段で。
- 決済は Gumroad。付加価値税、領収書、返金もそちらで扱い、キーはメールで届きます。
- 署名・公証済みなので、一度与えた権限はアップデートを重ねても引き継がれます。
- ソースコードは公開。読むことも、自分でビルドすることもできます。
FAQ
最初によく聞かれること
- Zoom、Teams、Google Meet で使えますか？
- はい。特定のサービスと連携するのではなく、アプリが再生する音声を直接拾っているので、Zoom のウインドウも、Slack のハドルミーティングも、ブラウザのタブで開いた通話も、同じように字幕が付きます。ブラウザや Electron アプリも含みます。そうしたアプリが起動するヘルパープロセスをキャプチャするからです。音声が実際に出てくるのはそちらです。
- 聞き取った内容を翻訳できますか？
- 1.3 からできます。メニューの Translate To が、16 言語のどれからでも残り 15 言語のどれへでも、Apple のデバイス内翻訳を通して訳します。訳した字幕が Mac の外に出ないのは、訳していない字幕と同じです。訳先を選ぶまでは Off で、実行中に ⌃ を押したままにすると下に元の言語が出ます。必要なのは macOS 15 で、字幕だけなら 14.2 でも動きます。
- オーバーレイは邪魔になりませんか？
- クリックをいっさい受け取らないので、その上から普通に作業できますし、ポインタの下では薄れて消えるので、下にあるものが読めます。どれくらい薄れるか、それがどこまで届くか、ボックスがどれくらい濃いか、何行まで保つかは、すべて設定です。⇧ を押しているあいだは濃さを保ったままドラッグして別の場所へ動かせます。置いた場所は覚えています。
- 自分の声にも字幕が付きますか？
- いいえ。聞いているのは Mac が再生している音だけで、マイクは決して聞きません。通話では、自分ではなく相手を読むことになります。
- インターネット接続は必要ですか？
- 初回起動時にモデルを取ってくるときの一度だけ、約 633 MB です。そのあとは完全にオフラインで動作します。ほかに行いうる通信は、新しいバージョンが出ていないか日に一度確かめることだけで、それも先に許可を求め、断ることができます。
- 文字起こしを保存したり書き出したりできますか？
- いいえ、そしてそれは意図的です。ディスクには何も書き込まれません。字幕は画面に出て、そのまま消えます。アプリが動いているあいだは ⌥ を押しながらで閉じたボックスを呼び戻せ、⌥F でその中を検索できますが、これは目を離した行を見つけるためのもので、記録を残すためのものではありません。ボックスはメモリ上にあるだけで、しばらく話が途切れれば消え、アプリを終了すれば跡形もありません。会話の記録が必要なら、これは選ぶべき道具ではありません。
- 情シスの承認は必要ですか？
- ここには承認すべき事業者がいません。アカウントもサーバーもなく、Mac から出ていく文字起こしもなく、参加者として通話に加わるものもないので、会議にいる誰も何かに記録されてはいません。1 台の Mac に入る、署名・公証済みのアプリが 1 つあるだけで、モデルを一度ダウンロードしたあとに行いうる通信は、新しいバージョンの確認だけ、それもオフにできます。それが自社の規程を満たすかどうかの判断はあなたのものですが、あいだに審査すべき第三者はいません。
- ヘッドホンや AirPods でも使えますか？
- はい。スピーカーから出てくる音ではなく、アプリが生成している音声をキャプチャするので、何で聞いているかは関係ありません。
- Mac が遅くなりませんか？
- 文字起こしは CPU ではなく Neural Engine で動きます。リアルタイムファクターはおよそ 0.15、計算 1 秒あたり 6 秒ぶんの発話にあたります。同じモデルを CPU で測ったときは、追いつくどころか約 100 倍遅すぎるという結果でした。
- どの Mac で動きますか？
- Apple silicon、macOS 14.2 以降です。バージョンの下限を決めているのは Core Audio のプロセスタップで、全体がその API の上に成り立っています。
- リアルタイムですか？
- はい。ストリーミングのモデルなので、字幕は文が終わってからではなく、 まだ話されている最中に現れます。アプリが再生するシステムオーディオを そのまま読み取るので、ループバックドライバを入れる必要はありません。 英語のチェックポイントでは、160 ms から上でレイテンシと精度を 天秤にかけられます。Mac の音声テキスト化やリアルタイム文字起こしを 探していたなら、これがそれです。ファイルに保存するのではなく、画面に描かれます。
- サブスクリプションですか？
- いいえ。ダウンロードは 7 日間の無料試用です。ライセンスキーは $9 の買い切りで、今後のアップデートはすべて込み、作るアカウントも買い足す分数もありません。1 つのキーで使っているすべての Mac をまかなえ、アプリは月に一度ほど Gumroad にキーを照会しますが、送るのはキーだけで、あなたについての情報は何も送りません。合わなければ 14 日間の返金があります。
- ソースコードは見られますか？
- はい。FSL-1.1-ALv2 で公開していて、各リリースの 2 年後に Apache 2.0 になります。読むのも自分でビルドするのも github.com/daformat/subtitles からどうぞ。