OpenAI Whisper とは
Whisper は OpenAI の音声認識モデル群で、オープンウェイトである点が際立つ。モデルを落として自分の機械で動かせる。多言語で高い精度の文字起こしができ、素の原稿、単語の時刻、字幕ファイルを出す道具もそろう。多くの文字起こしアプリの土台であり、データを外に出さずに動かせる。
本レビューは、大型と中型のモデルをインタビュー音声、会議の録音、短い動画で動かした経験に基づく。中国語と訛りのある英語も含む。
できること
定期的に文字起こしをする人に向く。動画作成者は 1コマンドで SRT 字幕を作れる。記者や研究者はインタビューの録音を検索できる文字にできる。法律、医療、金融では、音声が第三者に触れない自家ホストの Whisper が選ばれる。
向いている人
Whisper の料金事情は珍しく、中核は無料のオープンソースである。自分で動かせば費用は計算資源だけで、借りたインスタンスでも音声 1時間あたり数セント程度である。OpenAI は分単位課金の hosted API も売る。個人の問題は価格ではなく、機械があるか hosted で足りるかである。
注意点
聞きやすい音声なら中型モデルで軽い整えだけで済む。雑音や訛りがある音声では大型モデルの方が目に見えて頼りになるが、速さは犠牲になる。いちばんの落とし穴は無音に近い区間での幻覚で、長い間や背景音楽から作り話の文が出る。出力を盲信せず元音声と突き合わせたい。
What we like
オープンウェイト、高い多言語精度、字幕ファイル出力の組み合わせは、この価格帯で並ぶものがない。自分の機械で音声を上げず分単位の料金もなく文字起こしできることが、プライバシー重視の作業の背骨である。コマンド操作は単純で、ラッパーで画面も足せる。
What to watch out for
導入の手間が主な負担である。Python と合う PyTorch の構成、長尺には CUDA 対応 GPU が要る。CPU のみでは 1時間の録音に長い時間がかかり得る。無音や音楽での幻覚は実際に起きるので確認が要る。hosted API は導入を省く代わりにローカル処理の保証も消える。
When Whisper does not fit
Whisper は土台であって画面ではない。ボタンを押し話者名を見て原稿を編集したいなら、Descript のような製品が文字起こしと編集を一つにまとめる。ただし音声を事業者の雲に上げる必要がある。音楽や雑音が大半の音声も苦手で、間を埋める語を作り出す。
機械の問題も効く。短い断片はほぼ何でも動くが、CPU のみのノートで 1時間のポッドキャストを扱うと長い待ち時間になる。その場合は数分だけ GPU を借りるか、プライバシー方針の確かな hosted 文字起こし API の方が実用的かもしれない。音声の中身と照らして釣り合いを考える必要がある。
Practical setup tips
まず中くらいのモデルで品質を試し、大事なファイルには大型モデルを使うとよい。episode-01.srt のように命名規則を決め、字幕を付けやすくしたい。インタビューは静かな部屋で、マイクを近くして録る。固有の言い回しの綴りは分からないため、数値、人名、専門用語は必ず確認したい。
Alternatives worth a look
- Descript —— 原稿を直せば動画側も自動で編集される、本格的な編集スタジオ
- HandBrake —— 字幕入りの完成動画を圧縮し、短時間で投稿に回せる
長所と短所
✓ 良い点
- 完全にオフラインで動かせるオープンウェイトのモデル
- 構造化された文字起こしに加え SRT・VTT・JSON を出力する
- 控えめな GPU があれば無料で自家ホストできる
! 注意したい点
- ローカル導入には Python と、長尺には相応の GPU が要る
- 無音や音楽の多い音声では基本モデルが幻覚を起こし得る
- ラッパーを足さない限り組み込みの画面はない
- CPU のみの機械では大模型の推論が遅い
その他の選択肢
見ておきたい類似ツールと、それぞれの違いをまとめました。
よくある質問
Is Whisper free?
The model weights are open source, so self-hosting is free apart from your compute. OpenAI also offers a hosted API billed by audio minute, which avoids local setup.
Does it work in languages other than English?
Yes — Whisper was trained on multilingual data and handles languages such as Mandarin reliably, including code-switching, with the larger model sizes giving noticeably better results.
What output formats does it produce?
Plain text, segment-level JSON, and ready-to-use subtitle formats such as SRT and VTT, which is what makes it ideal for video captioning.
How accurate is it for meetings with several speakers?
Transcription accuracy is high, but Whisper does not identify speakers — use a tool such as Descript or a dedicated diarisation step if you need speaker labels.