【爆速文字起こし】Google Colabでゲーム動画のキャプション付けが楽になる方法【Ver.1.2】

オンラインでのTRPGセッションやゲームのマルチプレイ動画を作成しているクリエイターの皆さん、動画の「テロップ（字幕）付け」ってどれくらい時間かかってますか？

話者全員のセリフを聞き返しては打ち込んで、タイミングを合わせて……これだけで編集時間の大部分が溶けていきます。

以前、Discordの通話音声を話者ごとに別トラックで多トラック録音できる超優秀ツール「Craig」を紹介しました。

今回はその「続編」、「改良版」とも言える編集時短テクニックについてまとめます。

Google Colab（グーグル・コラボ）とWhisper（ウィスパー）というAIモデルを組み合わせることで、動画実況やTRPGセッションの文字起こし爆速化・超高精度化に成功したのでそのノウハウをシェアします！

なにができるの？

ざっくり言うと、「音声ファイルを投げ込むだけで、爆速かつ超高精度でテキスト化してくれる環境」が無料で実現可能です。

僕自身、TRPGのオンラインセッションを動画して、思い出に残したいなーと思っているのですが、いかんせん、複数人の音声にキャプションを付ける作業は、かなり作業の負荷が高い。

しかし、この方法を導入してから実況動画のキャプション（テロップ）付けのスピードが段違いに上がりました。

特に、「Craig」との組み合わせはある種の最適解だと言えます。

Craig × Google Colab（Whisper）の何がすごいの？

• トラックごとに文字起こしできる：Craigで個別録音した個人ごとの音声ファイルをColabにぶち込むことで、声の被りによる文字起こし誤認識が激減。精度を優先するなら、こちらの方法もあり。効率重視なら、Audacityなどの音声編集ソフトで音声をまとめて一つのファイルにしておく。（私は後者）
• 専門用語もバッチリ拾う：「SAN値」「正気度ロール」「ダイス」といったTRPG特有の用語も、設定ひとつで正確に変換可能。
• 圧倒的コストパフォーマンス：Google ColabのGPU（無料枠〜）を使うので、自分のPCスペックが低くてもクラウド側で瞬時に処理が終わる。

---

実際のGoogle Colab用コード（コピペでOK）

Google Colabを開き、ノートブックを作成したら、以下のコードを貼り付けて実行するだけです。

（※事前にColabの「ランタイム」＞「ランタイムのタイプを変更」でGPU（T4など）を選択しておいてください）

import whisper
import torch

# GPUが利用可能か確認してデバイスを指定
device = "cuda" if torch.cuda.is_available() else "cpu"

# 高精度な medium モデルをロード（文字起こし精度と速度のバランスが最強）
model = whisper.load_model("medium", device=device)

# 文字起こしの実行（ファイル名とプロンプトを設定）
result = model.transcribe(
    "あなたの音声ファイル名.mp3", 
    language="ja",
    initial_prompt="TRPGのセッション音声です。正気度ロール、ダイス、ダイスロール、SAN値などの用語が含まれます。",
    temperature=0.0
)

print(result["text"])

精度を劇的に跳ね上げるコツ

「昔Whisperを使ってみたけど、変な日本語になって微妙だったんだよね」という人にこそ試してほしいのが、上記のコードに含まれている3つの設定です。

1. モデルサイズは「medium」を使う

デフォルトの「base」モデルだと脳の容量が小さく、「正気度ロール」が「ショーキドロール」のような謎のカタカナに変換されがちです。モデルを「medium」にするだけで、文脈を考慮した賢い変換をしてくれるようになります。

2. initial_prompt で事前辞書を与える

initial_prompt="..." の部分に、セッション中に出てくる専門用語（キャラクター名やゲーム用語）を入れておきます。これだけでAIが「あ、今回はこういう単語が出てくるんだな」と理解し、誤変換が劇的に減ります。

3. temperature=0.0 で迷いをなくす

温度パラメータを0に設定することで、笑い声や雑音が入ったときにAIが「幻聴」を出力してしまう現象（ハルシネーション）を防ぎます。

---

まとめ：オンラインセッション動画を作るなら導入必須！

Discordで「Craig」を使って個別に多トラック録音し、その音声を「Google Colab + Whisper」に投げ込んで一括文字起こし。

このフローを構築してからは、聞き取りづらい声を何度も巻き戻して再生しながらテロップを打ち込む……という絶望的な作業から完全に解放されました。

TRPGのセッション動画を作っている方はもちろん、複数人でオンラインマルチプレイの動画を配信・編集しているクリエイターの方はぜひ試してみてください。

【PR】動画編集の独学はおすすめしない

以前も書きましたが、動画編集は体系的にスクールで学ぶことを切におすすめします。

というのが、私はかれこれ10年以上、独学で動画編集を学んできました。

Aviutlに始まり（ここが長かった）、行き詰まりを感じて挫折し、そして高性能なノートPCこそが解決策だと信じて高価なものを購入したものの、そういう問題ではなくまた挫折。

その後、DaVinci Resolveでやっと感覚を掴み、今に至る。

ここまでに掛かった時間は10年以上！しかも、役立った知識もあるが、意味のなかった知識のなんと多いことか！！

ということで、動画編集学ぶスクールでも一押しなのが「クリエイターズジャパン」です。