会議の議事録、YouTubeの字幕、インタビューのテキスト化――音声を文字に変換する作業は、多くのビジネスパーソンやクリエイターにとって日常的なタスクです。しかし手作業での文字起こしは、音声の長さを大きく上回る時間がかかることも珍しくありません。
この問題を解決してくれるのが、OpenAIが開発したAI文字起こしツール「Whisper」です。無料のオープンソースでありながら、日本語にも対応した文字起こしができるのが特徴です。公式情報はOpenAI Whisper公式ページで確認できます。
この記事では、Whisperの使い方を初心者にもわかるレベルで解説します。Google Colabを使った手軽な方法から、ローカルPCへのインストール、API活用まで、3つのパターンを網羅しています。
🤖 ナビ助のおすすめ！
Whisperとは？基本情報まとめ
WhisperはOpenAI（ChatGPTの開発元）が2022年にリリースした音声認識AIです。GitHubのリポジトリでオープンソースとして公開されており、無料で利用できます。
主な特徴は次のとおりです。
- 99言語に対応（日本語も利用可能）
- 完全無料・オープンソース
- ローカル実行可能（音声データを外部に送信しない）
- タイムスタンプ付きの文字起こしが可能
- 複数のモデルサイズから選べる（速度と精度のトレードオフ）
Whisperの使い方3パターン
パターン1：Google Colabで使う（初心者向け）
パソコンの環境構築が不要で、手軽な方法です。GoogleアカウントとWebブラウザがあれば短時間で使い始められます。
Google Colabを使えば、環境構築の手間なくWhisperを試せます。初めての方はまずこの方法がおすすめです。
手順：
- Google Colabにアクセス（colab.research.google.com）
- 新しいノートブックを作成
- 以下のコードをセルに貼り付けて実行
!pip install openai-whisper
import whisper
model = whisper.load_model("medium")
result = model.transcribe("音声ファイル.mp3")
print(result["text"])
- 音声ファイルをColab上にアップロード（左側のファイルアイコンからドラッグ＆ドロップ）
- ファイル名を指定して実行すれば、文字起こし結果が表示されます
無料のColabでもmediumモデルなら動作します。長時間の音声や大きなモデルを使う場合は、処理時間や利用制限の関係でColab Proなどの有料プランも選択肢になります。
ここで効いてくるのが、そもそもの録音の状態です。会議室でノートPCの内蔵マイクだけに頼ると、遠い席の声が拾えず変換結果も歯抜けになりがちなので、机の中央に置ける集音タイプの機器を使う職場が増えています。
詳しくは以下の記事で解説しています。
パターン2：ローカルPCにインストールして使う（中級者向け）
自分のPCで実行する方法です。音声データを外部に送らないため、会議録を外部サーバーに送らずに処理できます。
詳しくは以下の記事で解説しています。
前提条件：
- Python 3.8以上がインストール済み
- ffmpegがインストール済み
- GPU搭載PCだと高速（GPUなしでもCPUで動作可能）
インストール手順：
pip install openai-whisper
コマンドラインで実行：
whisper 音声ファイル.mp3 --language ja --model medium
これだけで、テキストファイル（.txt）、タイムスタンプ付き（.srt、.vtt）など複数形式で出力されます。
パターン3：Whisper APIを使う（開発者向け）
OpenAIのAPIとして利用する方法です。アプリに組み込んだり、大量のファイルを一括処理したりする場合に便利です。
from openai import OpenAI
client = OpenAI()
audio_file = open("音声ファイル.mp3", "rb")
transcript = client.audio.transcriptions.create(
model="whisper-1",
file=audio_file
)
print(transcript.text)
API利用は有料（1分あたり約0.006ドル＝約0.9円）ですが、大量処理する場合のコストを見積もりやすい料金体系です。最新情報はChatGPT公式ページ（openai.com）でも確認できます。
Whisperのモデルサイズ比較
| モデル | パラメータ数 | 必要メモリ | 処理速度 | 日本語精度 | おすすめ用途 |
|---|---|---|---|---|---|
| tiny | 39M | 約1GB | ★★★★★ | ★★☆☆☆ | 軽いメモ程度 |
| base | 74M | 約1GB | ★★★★☆ | ★★★☆☆ | 簡単な文字起こし |
| small | 244M | 約2GB | ★★★☆☆ | ★★★★☆ | 日常的な文字起こし |
| medium | 769M | 約5GB | ★★☆☆☆ | ★★★★★ | 日本語で使いやすい選択肢 |
| large-v3 | 1550M | 約10GB | ★☆☆☆☆ | ★★★★★ | 最高精度が必要な場合 |
日本語の文字起こしでは「medium」が精度とスピードのバランスを取りやすいモデルです。largeモデルは精度面で有利とされる一方、必要なメモリが増え、処理時間もかかります。
Whisper vs 有料文字起こしツール比較
| 項目 | Whisper（無料） | notta | CLOVA Note（現LINE WORKS AiNote） | Otter.ai |
|---|---|---|---|---|
| 料金 | 完全無料 | 月額1,185円〜（年払い） | 無料（月300分まで） | 月額16.99ドル〜 |
| 日本語精度 | ★★★★★ | ★★★★★ | ★★★★☆ | ★★★☆☆ |
| リアルタイム文字起こし | △（別途設定が必要） | ○ | ○ | ○ |
| 話者分離 | △（追加ツール必要） | ○ | ○ | ○ |
| プライバシー | ◎（ローカル実行可） | クラウド処理 | クラウド処理 | クラウド処理 |
| セットアップ難易度 | やや高い | 簡単 | 簡単 | 簡単 |
| AI要約機能 | なし（別途対応） | あり | 公式サイトで確認 | あり |
「無料で使える」ことを重視するならWhisperが有力な選択肢です。「手軽さ」や「リアルタイム対応」が重要であればnottaやCLOVA Noteが適しています。
セットアップの手間をかけずに試したい場合は、Nottaのような専用サービスを選択肢に入れる方法もあります。公式サイトでは、Web版・スマホアプリ・Chrome拡張機能で使え、無料のフリープランはクレジットカード登録なしで始められると案内されています。フリープランは1回につき3分までなので、自分の音声での認識のしかたを確かめる使い方になります。詳しい内容は公式サイトで確認できます。
ただ、全文が文字になっても、そのまま配ると読まれない議事録になってしまいます。決定事項と宿題をどう切り出すかは人の仕事なので、会議の進め方とまとめ方を扱った本が下地として役立ちます。
会議の録音そのものを取りこぼしたくない場合は、録音専用機と文字起こしをセットで使うPLAUD NOTEという選択肢もあります。カード型のAIボイスレコーダーで、公式サイトでは連続録音が最大30時間、月300分の文字起こしが付属すると案内されています。本体の購入費が別にかかるため、詳しくは公式サイトで確認できます。
自分でWhisperを動かす手間をかけずに、録音から文字起こしまで任せたい場合は、NottaのAIボイスレコーダー「Notta Memo」もあります。公式ストアでは、58言語に対応し、購入特典として月600分の文字起こしが付くと案内されています。
🤖 ナビ助のおすすめ！
Whisperの精度を上げるコツ
コツ1：音声ファイルの品質を上げる
AIの精度は入力音声の品質に大きく依存します。ノイズの多い音声は認識精度が下がるため、録音時にできるだけ静かな環境で、マイクに近い距離で録るのが基本です。既存の音声にノイズが多い場合は、Audacityなどの無料ソフトでノイズ除去してからWhisperに渡しましょう。
インタビューや取材のように話し手が動く場面では、後処理よりも「口元で拾う」ほうが確実です。襟元に付けられるワイヤレスのピンマイクなら、距離が変わっても音量が安定します。
コツ2：languageパラメータを明示する
--language jaを指定するだけで、日本語の認識精度が向上します。自動検出モードだと冒頭の30秒で言語を判定するため、冒頭が無音の場合に誤判定されることがあります。
言語パラメータを指定しないと、自動検出で別の言語と判定される場合があります。日本語の音声には --language ja を付けるようにしましょう。
コツ3：長い音声はチャンク分割する
1時間以上の音声は、10〜15分ごとに分割してから処理すると精度が安定します。ffmpegで簡単に分割可能です。
ffmpeg -i input.mp3 -f segment -segment_time 900 -c copy output_%03d.mp3
コツ4：faster-whisperで高速化する
オリジナルのWhisperをCTranslate2で最適化した「faster-whisper」を使うと、同程度の精度で処理速度が最大4倍程度になるとプロジェクトの公式説明で紹介されています。処理時間が気になる方は検討してみてください。
pip install faster-whisper
設定を工夫しても、専門用語が多い録音や、発言が重なる録音では誤りが残ることがあります。直す手間が負担になるときは、人の手で文字起こしをする業者に任せる方法もあります。コエラボは、ライターが聞き取って校正を経て納品する文字起こしサービスで、料金は起こし方と納期ごとの1分あたり単価で決まります。AIツールとの使い分けも含め、詳しくは公式サイトで確認できます。
よくある質問（FAQ）
Q. Whisperはスマホでも使える？
直接スマホで動かすのは難しいですが、Google Colab経由ならスマホのブラウザからでも利用可能です。また、Whisperを組み込んだスマホアプリ（無料のものもあり）も登場しています。
Q. 動画ファイル（MP4）も文字起こしできる？
可能です。Whisperは音声トラックを自動で抽出して処理するため、MP4をそのまま入力しても問題ありません。YouTubeの字幕作成にも活用できます。
Q. 専門用語が多い音声でも正確に起こせる？
一般的な専門用語であれば認識できることが多いです。ただし、社内用語や造語は認識できません。initial_promptパラメータで「この音声にはAI、機械学習、ディープラーニングなどの用語が含まれます」とヒントを与えると精度が上がります。
Q. リアルタイムの文字起こしはできる？
標準のWhisperはファイル入力のみですが、whisper_streamingやReazonSpeechなどのツールを組み合わせれば、リアルタイム文字起こしも実現可能です。ただしセットアップの難易度は上がります。
Q. 商用利用は可能？
WhisperはMITライセンスで公開されているため、商用利用も認められています。ライセンス表記などの条件は公式リポジトリで確認してください。
Q. GPUがないパソコンでも使える？
使えます。CPUのみでも動作しますが、処理速度は遅くなります。tinyやbaseモデルならCPUでも実用的な速度です。mediumモデルをCPUで動かすと、処理にかなり時間がかかります。GPU搭載PCなら処理時間を短縮できます。
まとめ：Whisperは「無料で試せる」文字起こしツール
- WhisperはOpenAI製の無料オープンソース文字起こしAI
- Google Colabなら環境構築なしで試せる
- 日本語ではmediumモデルが精度と速度のバランスを取りやすい
- ローカル実行なら音声データを外部に送らずに処理できる
- 音声品質を上げる・languageを指定する・分割処理で精度を高めやすい
- 商用利用もMITライセンスで認められている
文字起こしに毎月コストをかけている方は、一度Whisperを試してみてください。Google Colabなら環境構築なしで始められるので、まずは短い音声ファイルで使い勝手を確かめてみましょう。
🤖 ナビ助のおすすめ！
