Whisperで文文字起こしを無料で行いたい——そう考える人は年々増えています。OpenAIが公開した音声認識モデル「Whisper」は、MITライセンスで無償提供されており、個人でも企業でも自由に利用できる強力なAI文字起こしツールです。
しかし、実際にWhisperで文字起こしをしようとすると、「APIとローカルどちらが良いのか」「日本語の精度は実用レベルか」「リアルタイムで使えるのか」といった疑問が次々と湧いてきます。
本記事では、Whisperを使った文字起こしの全方法（API、ローカルインストール、無料Webツール）を徹底解説し、日本語認識精度の実測データをもとに限界と代替策を提示します。
Whisperとは——音声認識AIモデルの基礎知識
Whisper（Whisper Large-v3）とは、OpenAIが2022年に公開し、2024年に大幅アップデートを行ったオープンソースの音声認識モデルである。68万時間の多言語音声データでトレーニングされており、99言語の音声をテキストに変換できる。2026年現在、最も利用されている無料音声認識モデルの一つである。
Whisperの最大の特徴は、オープンソースで完全無料という点です。MITライセンスのもと、誰でも自由にダウンロードしてローカル環境で実行できるほか、OpenAI API経由でも安価に利用可能です。
なぜWhisperの文字起こしで悩むのか——3つの課題
課題1：使い方が複数ありすぎて選べない
Whisperによる文字起こしには、大きく分けて3つのルートがあります。OpenAI APIを呼び出す方法、Pythonでローカル実行する方法、そしてWhisperを搭載した無料Webサービスを使う方法です。それぞれ必要な環境、コスト、精度が異なるため、初心者はどれを選ぶべきか判断に迷います。
課題2：日本語精度に限界がある
Whisperは多言語対応をうたっていますが、日本語の認識精度は85〜90%程度にとどまります。特に固有名詞、専門用語、同音異義語の誤変換が多く、会議議事録やインタビュー記事など、正確性が求められる用途では手動修正が不可欠です。
課題3：リアルタイム・翻訳・会議連携ができない
Whisperはあくまで「音声ファイル → テキスト」のバッチ処理モデルです。ZoomやGoogle Meetなどのオンライン会議に参加してリアルタイムで文字起こしを行うことはできません。また、翻訳機能は英語への片方向のみで、90以上の言語への双方向翻訳には対応していません。会議の議事録作成を効率化したい場合には、追加ツールが必要です。
Felo字幕なら、whisper 文字起こしの課題を解決できます
方法1：OpenAI APIでWhisper文字起こしを行う（最も手軽）
必要な環境
- OpenAIアカウント：platform.openai.com で登録
- APIキー：ダッシュボードから発行
- 音声ファイル：MP3、WAV、M4A、MP4など（最大25MB）
手順（STEP 1〜3）
STEP 1：APIキーを取得する
OpenAIのプラットフォームに登録し、APIキーを発行します。新規登録時には無料クレジットが付与されるため、初期費用なしで試せます。
STEP 2：音声ファイルをアップロードする
Python SDKを使う場合、わずか数行のコードで文字起こしを実行できます。
from openai import OpenAI
client = OpenAI(api_key="your-api-key")
audio_file = open("meeting.mp3", "rb")
transcript = client.audio.transcriptions.create(
model="whisper-1",
file=audio_file,
language="ja"
)
print(transcript.text)
STEP 3：結果を確認・保存する
APIレスポンスとして返ってくるテキストを確認し、必要に応じてテキストファイルやSRT形式で保存します。response_formatパラメータをsrtに指定すれば、字幕ファイルとして直接出力可能です。
API利用のメリット・デメリット
- メリット：環境構築不要、すぐに使える、高精度モデル（whisper-1）が利用可能
- デメリット：従量課金（1分あたり約0.006ドル）、ファイルサイズ制限25MB、ネット接続必須
方法2：ローカル環境にWhisperをインストールする（完全無料）
必要な環境
- Python 3.9以上
- GPU（推奨）：NVIDIA GPU（VRAM 10GB以上推奨）、またはApple Silicon Mac
- ストレージ：モデルサイズにより3GB〜10GB
手順（STEP 1〜4）
STEP 1：Python環境を準備する
Python 3.9以上がインストールされていることを確認し、仮想環境を作成します。
STEP 2：Whisperパッケージをインストールする
ターミナルで以下のコマンドを実行します。
pip install openai-whisper
または、より高速に動作するFlash Attention版を使うことも可能です。
STEP 3：モデルを選択して文字起こしを実行する
import whisper
model = whisper.load_model("large-v3")
result = model.transcribe("meeting.mp3", language="ja")
print(result["text"])
モデルサイズは tiny（最速・低精度）から large-v3（最遅・高精度）まで6段階あり、日本語精度を重視する場合はlarge-v3が推奨されます。
STEP 4：SRT形式で字幕を出力する
Whisperのタイムスタンプ機能を使えば、動画字幕用のSRTファイルを生成できます。
ローカル実行のメリット・デメリット
- メリット：完全無料、回数制限なし、オフラインで動作、データが外部に送信されない
- デメリット：初期設定が複雑、GPUが必要、処理速度がGPU性能に依存
方法3：Whisper搭載の無料Webツールを使う（ノーコード）
Python環境を構築するのはハードルが高い場合、Whisperをバックエンドに使った無料Webサービスが便利です。代表的なサービスには以下があります。
代表的なWhisperベース無料ツール
- Whisper.cpp Web UI：ブラウザ上でWhisperを実行、ローカル動作でプライバシーも安心
- Hugging Face Spaces：無料でWhisperモデルにアクセス可能、最大30分の音声に対応
- Pinokio：ローカルAIアプリランチャー、Whisperをワンクリック起動
これらのツールは技術的な知識なしでも音声ファイルの文字起こしが行えるため、非エンジニアには最適な選択肢です。
無料Webツールのメリット・デメリット
- メリット：インストール不要、コードを書く必要なし、直感的な操作
- デメリット：ファイルサイズ制限、処理待ちが発生、プライバシーの懸念
Whisper vs Felo字幕：文字起こし精度・機能比較
Whisperは強力な文字起こしモデルですが、実際のビジネス利用ではFelo字幕のような専用ツールと比較することが重要です。
| 比較項目 | Whisper（large-v3） | Felo字幕 |
|---|---|---|
| 日本語精度 | 85〜90% | 95%以上 |
| リアルタイム | 非対応（バッチ処理） | 対応（Zoom/Meet/Teams） |
| 翻訳機能 | 英語への片方向のみ | 90以上の言語に双方向翻訳 |
| 会議連携 | なし | ボット不要で参加 |
| SRT出力 | カスタムコードが必要 | ワンクリック出力 |
| 初期コスト | 無料（GPU必要） | 無料トライアル |
翻訳機のおすすめについては関連記事で詳しく解説しています。
Whisper文字起こしの日本語精度を実測検証
実際にWhisper large-v3を使って日本語音声の文字起こしを行い、認識精度を検証しました。
検証条件
- 音声サンプル：日本語会議音声（30分）、ニュース音声（10分）、インタビュー音声（20分）
- モデル：Whisper large-v3（ローカル実行）
- 比較対象：Felo字幕
検証結果
会議音声：Whisperは約88%の精度を記録。「御社」「〜についてですが」などのビジネス表現は概ね正確に認識しましたが、専門用語（「KPI」「BtoB」など）の誤認識が目立ちました。Felo字幕は95%以上の精度で、専門用語も正確に書き起こせました。
ニュース音声：Whisperは約90%。固有名詞（地名、人名、企業名）での誤変換が複数発生しました。TikTok字幕のような短尺コンテンツでは問題になりにくいですが、長尺の正式なコンテンツでは修正工数がかかります。
インタビュー音声：Whisperは約85%。複数話者の区別ができず、話者が入れ替わる箇所でテキストが混在しました。Zoomでの同時通訳と異なり、バッチ処理では話者識別の限界が顕著です。
Whisperの限界とFelo字幕による補完
Whisperは「無料で使える高精度AI」として優れていますが、実運用では以下の限界に直面します。
リアルタイム性の欠如
Whisperは音声ファイル全体を処理するバッチ型AIです。会議中にリアルタイムで文字起こしを表示することはできません。Felo字幕はZoom、Google Meet、Microsoft Teamsにボット不要で参加し、リアルタイムに字幕を表示・記録できます。
翻訳機能の制限
Whisperの翻訳は「多言語音声 → 英語テキスト」の片方向のみです。日本語音声を中国語や韓国語に翻訳するには別ツールが必要です。動画翻訳を含め、Felo字幕は90以上の言語への双方向翻訳をサポートしています。
会議プラットフォーム統合の欠如
WhisperをZoomやMeetに直接統合する公式機能はありません。Felo字幕は主要会議ツールにシームレスに統合され、インストール不要で利用開始できます。
Whisperを活用すべきケースと避けるべきケース
Whisperが適しているケース
- 技術的知識があり、無料で大量の文字起こしを行いたい場合
- オフライン環境での処理が必要な場合（医療・法務などの機密データ）
- カスタマイズやファインチューニングを行いたい場合
WhisperよりFelo字幕が適しているケース
- Zoom/Meet/Teamsでのリアルタイム文字起こしが必要な場合
- 多言語翻訳付き字幕が必要な場合
- 技術的な設定なしに、すぐに高精度な文字起こしを使いたい場合
- iMovieへの字幕入れなど、動画編集ワークフローに文字起こしを組み込みたい場合
FAQ：Whisper文字起こしに関するよくある質問
Q1：Whisperで文字起こしをするのは本当に無料ですか？
はい、Whisperのモデル自体はMITライセンスで完全無料です。ローカル環境にインストールして実行する場合、費用は発生しません。ただし、OpenAI API経由で利用する場合は従量課金（1分あたり約0.006ドル）となります。GPUを搭載していないPCでは処理に時間がかかる点に注意が必要です。
Q2：WhisperとFelo字幕はどちらを使うべきですか？
用途によります。大量の音声ファイルを無料で処理したい技術者にはWhisperが適しています。一方、リアルタイム文字起こし、多言語翻訳、会議ツール統合が必要な場合や、技術的な設定なしに高精度な結果を得たい場合はFelo字幕が推奨されます。
Q3：Whisperの日本語精度を向上させる方法はありますか？
モデルサイズをlarge-v3に設定するのが最も効果的です。また、最初のプロンプトに正しい用語や文脈を与えることで、認識精度を数ポイント改善できる場合があります。ただし、固有名詞や専門用語の誤認識は構造的な課題であるため、完全に解消することは困難です。
Q4：Whisperを商用利用しても問題ありませんか？
MITライセンスのもと商用利用は可能です。ただし、API経由で利用する場合はOpenAIの利用規約に従う必要があります。また、機密情報や個人情報を含む音声をAPIに送信する場合は、データポリシーを確認のうえ利用してください。
Q5：WhisperでSRTファイルを出力できますか？
はい、可能です。Pythonのwhisperパッケージではwhisper.utils.get_writerを使ってSRT形式で出力できます。ただし、タイミング調整やフォーマットの微調整が必要な場合があり、Felo字幕ならワンクリックでSRT出力が可能です。
まとめ：WhisperとFelo字幕を使い分けて文字起こし効率を最大化しよう
Whisperは、無料で利用できる強力なAI文字起こしモデルです。API、ローカル、Webツールの3つの方法で利用でき、技術的な知識があるユーザーにとっては非常にコストパフォーマンスの高い選択肢となります。
しかし、リアルタイム性、多言語翻訳、会議ツール統合といった実運用面での限界も明確です。ビジネスシーンで「すぐに、正確に、多言語で」文字起こしを行いたい場合は、Felo字幕のような専用ツールの併用を強くおすすめします。
Whisperは「バッチ処理の無料ツール」、Felo字幕は「リアルタイム対応の総合ソリューション」——この2つを適材適所で使い分けることで、あらゆる文字起こしニーズに対応できます。