Whisper（ウィスパー）は、OpenAIが2022年9月に公開した音声認識AIです。音声ファイルや動画を読み込ませると、話している内容をテキストに文字起こしします。プログラムとモデルが無料で公開されているので、Google Colabや自分のパソコンで動かせば費用をかけずに使えるのが大きな特徴です。
この記事では、Whisperで文字起こしする3つの方法（Google Colab、ローカルインストール、API）の手順と、モデルの選び方、日本語の精度、環境構築なしで同じように文字起こしする方法をまとめます。
Whisperとは
Whisperは、約68万時間分の多言語音声で学習した音声認識モデルです。日本語を含む約100言語の文字起こしと、英語への翻訳に対応しています。GitHubのリポジトリでコードとモデルの重みがMITライセンスで公開されており、商用利用も可能です。
Whisperは音声を30秒ずつに区切り、Transformerというしくみで音声の特徴から文字列を予測します。雑音や訛りが入った多様な音声で学習しているため、会議の録音やYouTubeの音声など、条件のよくない録音にも比較的強いのが特徴です。
Whisperで文字起こしする3つの方法
| Google Colab | ローカル（自分のパソコン） | OpenAI API | |
|---|---|---|---|
| 費用 | 無料（GPUは無料枠の範囲内） | 無料 | 従量課金 |
| 必要なもの | Googleアカウント | Python、ffmpeg、できればGPU | APIキー、プログラム |
| 手間 | コードを数行コピーするだけ | インストールが必要 | プログラムを書く必要あり |
| 音声のアップロード先 | Googleのサーバー | 自分のパソコン内で完結 | OpenAIのサーバー |
| 向いている人 | まず無料で試したい人 | 機密性の高い音声を扱う人 | アプリやシステムに組み込みたい人 |
方法1：Google ColabでWhisperを無料で使う
Google Colabは、ブラウザでPythonを実行できるGoogleの無料サービスです。GPUも使えるので、パソコンのスペックに関係なくWhisperを動かせます。
- Google Colab を開き、「ノートブックを新規作成」をクリックします。
- メニューの「ランタイム」→「ランタイムのタイプを変更」で、ハードウェアアクセラレータに「T4 GPU」を選んで保存します。
- コードのセルに次の1行を入力して実行し、Whisperをインストールします。
!pip install -U openai-whisper
- 画面左のフォルダアイコンを開き、文字起こししたい音声ファイル（MP3、M4A、WAV、MP4など）をドラッグしてアップロードします。
- 新しいセルで次のコマンドを実行します。
audio.mp3はアップロードしたファイル名に置き換えてください。
!whisper "audio.mp3" --model turbo --language Japanese
処理が終わると、同じフォルダに .txt（テキスト）、.srt と .vtt（字幕）、.tsv、.json のファイルが作られます。ファイル名を右クリックしてダウンロードすれば完了です。
Colabの無料枠ではGPUの利用時間に上限があり、一定時間操作しないとセッションが切れてアップロードしたファイルも消えます。長い音声を処理するときは、終わったらすぐに結果をダウンロードしておきましょう。
方法2：Whisperをパソコンにインストールして使う（ローカル）
音声を外部のサーバーに送らずに文字起こししたい場合は、自分のパソコンにWhisperをインストールします。社内会議や取材など、機密性の高い音声に向いている方法です。
- Python（公式の動作確認は3.8〜3.11）をインストールします。
- 音声の読み込みに使う ffmpeg をインストールします。Macなら
brew install ffmpeg、Windowsならwinget install ffmpegなどで入れられます。 - ターミナル（Windowsはコマンドプロンプト）で
pip install -U openai-whisperを実行します。 whisper 音声ファイル名 --model turbo --language Japaneseで文字起こしを始めます。
NVIDIAのGPUがあるパソコンなら高速に処理できます。GPUがない場合はCPUで動きますが、大きいモデルは音声の長さよりもずっと時間がかかることがあります。その場合は small など小さいモデルを選ぶか、Whisperを高速化した faster-whisper や、MacのApple Siliconで速く動く whisper.cpp を使う方法もあります。
方法3：OpenAIのAPIでWhisperを使う
アプリや社内システムに文字起こしを組み込みたい場合は、OpenAIのAPIを使います。2026年10月時点では、whisper-1 モデルの料金は音声1分あたり0.006ドルで、1回にアップロードできるファイルは25 MBまでです。GPUを用意する必要がなく、処理も速いのが利点です。長い録音は25 MB以内に分割するか、ビットレートを下げたMP3に変換してから送ります。
Whisperのモデルの選び方
Whisperには大きさの違う複数のモデルがあり、大きいほど精度が高く、処理は遅くなります。公式リポジトリに記載されている目安は次のとおりです。
| モデル | パラメータ数 | 必要なVRAM | 速度（large比） |
|---|---|---|---|
| tiny | 39M | 約1 GB | 約10倍 |
| base | 74M | 約1 GB | 約7倍 |
| small | 244M | 約2 GB | 約4倍 |
| medium | 769M | 約5 GB | 約2倍 |
| large | 1550M | 約10 GB | 1倍 |
| turbo | 809M | 約6 GB | 約8倍 |
日本語の文字起こしなら、精度と速度のバランスがよい turbo がまず試しやすいモデルです。GPUのメモリが足りない場合は small、とにかく精度を優先するなら large を選びます。
Whisperの文字起こしの精度と注意点
Whisperの日本語の文字起こしは、話し手がマイクの近くではっきり話している音声なら、そのまま読める精度になることが多いです。一方で、使ってみると次のような癖も見えてきます。
- 無音や雑音の区間で同じ文を繰り返す：BGMだけの部分や長い沈黙で、実際には話していない文が出力されることがあります（ハルシネーション）。
- 句読点や改行が少ない：長い発言が1つの段落にまとまりやすく、読みやすく整える作業が必要です。
- 話者の区別がない：Whisper単体では「誰が話したか」を分けません。会議やインタビューで話者を分けたい場合は、WhisperX などの拡張ツールを組み合わせます。
精度を上げるには、--language Japanese で言語を指定すること、雑音の少ない録音を使うこと、大きめのモデルを選ぶことが効果的です。
sipsip の創業者は、Whisperを手軽に使うためのオープンソースツール AI-Video-Transcriber を開発しています。Whisperは強力ですが、ファイルの準備、モデルの選択、出力の整形まで含めると、毎回それなりの手間がかかることもこの開発で実感しました。
環境構築なしでWhisperのように文字起こしするなら
PythonやColabの操作が面倒な場合や、話者を分けた読みやすいテキストがほしい場合は、ブラウザで使えるAI文字起こしツールが手軽です。sipsip.ai の文字起こしツールは、音声認識モデル Deepgram nova-3 を使い、ファイルをアップロードするだけで文字起こしします。
- インストール不要。パソコンでもスマホでもブラウザで使えます。
- 日本語を含む30以上の言語に対応し、言語を自動で判別します。
- 複数人の会話は「話者1」「話者2」のように発言ごとに分かれます。
- ログインなしで1日1回、50 MB・30分までのファイルを無料で文字起こしできます。
動画ファイルなら動画の文字起こしツールにそのままアップロードできます。カード登録不要の無料アカウントを作れば、長い録音の文字起こしや、Distill でのAI要約・要点の作成も使えます。
Whisperは、無料で試すならGoogle Colab、機密性の高い音声ならローカル、システムに組み込むならAPIが向いています。セットアップに時間をかけずに今すぐテキストがほしいときは、ブラウザの文字起こしツールを使い分けるとよいでしょう。
