AI文字起こしWhisperの使い方｜無料で高精度な音声テキスト変換

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、1時間の音声に3〜4時間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。完全無料かつオープンソースでありながら、日本語の認識精度は有料ツールに匹敵するレベルを誇ります。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を使った最も手軽な方法から、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。

手作業の文字起こしから解放されるよ！Whisperは無料なのに精度バツグンだから、使わないのはもったいないって！

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、誰でも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（日本語の精度も高い）
• 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、最も手軽な方法です。GoogleアカウントとWebブラウザがあれば5分で使い始められます。

手順：

1. Google Colabにアクセス（colab.research.google.com）
2. 新しいノートブックを作成
3. 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"])

4. 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）
5. 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モデルなら問題なく動作します。大きいファイル（1時間超）はlargeモデルが必要で、Colab Proの利用を推奨します。

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、機密性の高い会議録にも安心して使えます。

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。

プライバシーが気になる会議の議事録は、ローカル実行がベストだよ！音声データが外に出ないから安心してね！

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パフォーマンスは良好です。最新情報はChatGPT公式ページでも確認できます。

Whisperのモデルサイズ比較

日本語の文字起こしなら「medium」が精度とスピードのベストバランスです。largeモデルは精度こそ最高ですが、mediumとの差はわずかで処理時間は倍以上かかります。

Whisper vs 有料文字起こしツール比較

「無料で高精度」を求めるならWhisper一択です。「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。

無料で有料ツール並みの精度が出るって、Whisperはコスパ最強だよ！セットアップさえできれば怖いものなしだね！

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。

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。

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、精度を維持したまま処理速度が4〜6倍に向上します。処理時間が気になる方にはおすすめの選択肢です。

pip install faster-whisper

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かなり正確です。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、商用利用も含めて自由に使えます。議事録作成サービスや字幕生成サービスへの組み込みも問題ありません。

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、1時間の音声に30分〜1時間程度かかります。GPU搭載PCなら数分で完了します。

まとめ：Whisperは「無料×高精度」の最強文字起こしツール

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。無料でここまでの精度が出ることに驚くはずです。Google Colabなら今すぐ始められるので、まずは短い音声ファイルで実力を体感してみましょう。

議事録作成で毎回ヘトヘトになってる人、Whisperで一発解決できるよ！まずはGoogle Colabで試してみてね！