Whisperの使い方
Whisper文字起こしの使い方。日本語のコマンド・無料の範囲・限界
Whisperは、PythonとffmpegをPCに入れて「whisper 会議.mp3 --language Japanese」を実行すると無料で使えます。OpenAIのAPIで使う場合はwhisper-1が1分あたり$0.006です。インストールが難しい場合や話者を分けたい場合に、ブラウザで同じ録音を文字起こしする方法も紹介します。
公開日：更新日：執筆・運営：Klang AI AB
WhisperはPCで動かすか、APIで呼び出すか
「Whisperで文字起こし」には、公開されたモデルを自分のPCで動かす方法と、OpenAIのAPI経由で使う方法があります。無料なのは前者です。
OpenAIの公式ドキュメントでは、whisper-1は以前からあるモデルとして扱われ、新しい文字起こし用モデル（gpt-transcribe：1分あたり$0.0045、話者分離に対応したgpt-4o-transcribe-diarize：1分あたり$0.006など）も案内されています。料金は変わることがあるため、使う前に公式の料金ページを確認してください。
| 項目 | 自分のPCで動かす | OpenAIのAPIで使う |
|---|---|---|
| 料金 | 無料（PCと電気代のみ） | whisper-1は1分あたり$0.006 |
| 必要なもの | Python、ffmpeg、できればGPU | APIキーとプログラム |
| ファイルの上限 | PCの性能しだい | 1ファイル25MBまで。超える場合は圧縮・分割 |
| 音声の送り先 | 手元のPCから出ない | OpenAIのサーバーへ送信 |
| 話者の区別 | なし | whisper-1はなし。別の話者分離モデルがある |
インストール不要で使う：Whisperを入れずに文字起こしする
Pythonやffmpegを入れられない会社のPCや、GPUのないノートPCでは、ブラウザに録音をアップロードする方法が早道です。Whisperのコマンドと同じ録音ファイルを、そのまま使えます。
Whisperとの違いは、編集画面と要約・チャットが付いていることです。日本語と英語を含む17言語に対応し、お客様のデータをAIの学習に使うことはありません。話者の自動識別はプロプラン（月払い¥1,180、年払いは月あたり¥980、税込）の機能です。
音声をどうしても手元のPCから出せない場合は、このページの手順どおりWhisperを自分のPCで動かしてください。
- 01
無料アカウントを作る
Klangのフリープランはクレジットカード不要で、文字起こし時間は無制限です。インストールするものはありません。
- 02
録音ファイルをアップロードする
mp3・m4a・wav・mp4など、Whisperに渡す予定だったファイルを選びます。1ファイル10GBまでなので、APIの25MB制限のような分割はいりません。
- 03
文字起こしを確認して書き出す
文をクリックすると元の音声が再生されます。固有名詞と数字を確かめ、Word・TXT・SRT・VTTなどで書き出します。
Whisperの文字起こしアプリ：コマンドを使わずに動かす方法
コマンドを使わずにWhisperで文字起こししたい場合は、Whisperを組み込んだデスクトップアプリを使います。インストールもしたくない場合は、ブラウザで使うAI文字起こしサービスが選択肢です。
Buzzの公式READMEは、Intel搭載Macで使える最後の版を1.4.5とし、Windows版のインストーラーには署名がないため警告が出ると説明しています。会社のPCに入れる場合は、社内の許可を先に確認してください。
OpenAIの文字起こしAPIを使うアプリでは、音声がOpenAIのサーバーに送られます。音声を手元から出したくない場合は、PC内で処理するかどうかをアプリの説明で確かめます。
| 方法 | 例 | 処理する場所 | 話者の区別 | 書き出し |
|---|---|---|---|---|
| Whisperのコマンド（公式） | openai-whisper（MITライセンス） | 自分のPC | なし | TXT・SRT・VTT・TSV・JSON・JSONL |
| Whisperを組み込んだデスクトップアプリ | Buzz（MITライセンス。Windows、macOS（Apple silicon）、Linux） | 自分のPC（オフラインで動作） | あり（公式READMEに「Speaker identification」と記載） | TXT・SRT・VTT |
| ブラウザで使う文字起こしサービス | Klang（フリープランは文字起こし無制限） | クラウド | プロプランで自動識別 | Word・Excel・SRT・VTT・TXTなど |
モデルの大きさと必要なメモリ
Whisperには6つの大きさのモデルがあります。大きいほど精度が上がりやすい一方、GPUのメモリ（VRAM）と処理時間が増えます。
コマンドの既定はturboです。公式READMEは、turboは英語の文字起こしではよく機能する一方、翻訳の学習はしていないと説明しています。日本語の精度は言語や録音によって変わるため、自分の録音でturboとlargeを試し、修正の手間と処理時間を比べて決めるのが確実です。
「.en」で終わるモデル（tiny.enなど）は英語専用です。日本語の音声には使いません。
| モデル | パラメーター数 | 必要なVRAMの目安 | 速さの目安（largeを1とした比） |
|---|---|---|---|
| tiny | 3,900万 | 約1GB | 約10倍 |
| base | 7,400万 | 約1GB | 約7倍 |
| small | 2億4,400万 | 約2GB | 約4倍 |
| medium | 7億6,900万 | 約5GB | 約2倍 |
| large | 15億5,000万 | 約10GB | 1倍 |
| turbo | 8億900万 | 約6GB | 約8倍 |
インストールの手順
公式READMEは、Python 3.8〜3.11とPyTorchでの動作を想定しており、音声の読み込みにffmpegが必要です。2026年10月17日時点のPyPIの最新版は20250625（2025年6月26日公開）です。
- 01
Pythonを用意する
READMEが想定する3.8〜3.11のPythonを入れます。既存の環境を壊さないよう、仮想環境（venv）を作ってから進めると安心です。
- 02
ffmpegを入れる
Homebrew、Chocolatey、Scoop、aptなどのパッケージ管理ツールで入れます。mp3・m4a・mp4などの読み込みに使います。
- 03
Whisperを入れる
pip install -U openai-whisper を実行します。初回の文字起こしでモデルがダウンロードされます（既定の保存先は ~/.cache/whisper）。
- 04
短い録音で試す
1〜2分の録音で動作と処理時間を確かめてから、長い会議の録音に進みます。
macOS（Homebrewを使う場合）
brew install ffmpeg python3 -m pip install -U openai-whisper
Windows（Chocolateyを使う場合）
choco install ffmpeg py -m pip install -U openai-whisper
Ubuntu・Debian
sudo apt update && sudo apt install ffmpeg python3 -m pip install -U openai-whisper
日本語の文字起こしコマンドを組み立てる
ターミナル（WindowsではPowerShellなど）で whisper コマンドを実行すると、指定した形式のファイルが保存されます。よく使うオプションを選んで、コマンドを作れます。
- --language Japanese：言語を固定します。指定しないと冒頭の音声で自動判定し、日英が混ざる録音では判定が揺れることがあります。
- --initial_prompt：社名や人名を書いておくと、表記のヒントになります。最初の区間だけに使われます。
- --output_format srt：動画の字幕に使えるSRTを出力します。
- --condition_on_previous_text False：同じ文が繰り返し出力される場合に試す設定です。前の区間とのつながりは弱くなります。
条件を選ぶと、Whisperのコマンドを組み立てます。オプション名は公式リポジトリの transcribe.py（2026年10月3日時点）に合わせています。
このページではコマンドを実行しません。Windowsのコマンドプロンプト（cmd.exe）用ではありません。PowerShell7以降を想定し、使うシェルとファイル名を確認してください。
whisper 'meeting.m4a' --model turbo --language Japanese --output_format txt --output_dir 'transcripts'同じ条件でやり直せる実行記録を残す
元ファイルの版、Whisperのバージョン、モデル、設定、実行時間、出力と確認結果を一緒に記録します。バージョンは python -m pip show openai-whisper で確認できます。モデルや設定が違う結果を同じ条件の比較として扱わないでください。
Whisperを使う前に知っておきたい5つの限界
無料で高性能な一方、Whisper単体は「音声を文字列にするモデル」です。会議の記録として使うには、次の点を自分で補う必要があります。
特に、無音や雑音の多い区間に、それらしい文が入っていないかを確認してください。議事録や記録に使う場合は、数字・固有名詞・否定を元の音声で照合します。
話者を区別しない
出力は区間ごとの文字列と時刻で、誰が話したかは付きません。公式のモデルカードも、話者の分類や話者分離は十分に評価していないと説明しています。
話していない文が出ることがある
モデルカードは、実際には話されていない文を出力すること（ハルシネーション）があると明記しています。2023年時点のWhisperを評価した研究では、文字起こしの約1%に音声にない文が含まれ、話の合間の無音が長い話し手で多く起きたと報告されています（英語音声での評価）。
同じ文を繰り返すことがある
仕組み上、同じ文を繰り返し出力することがあり、ビームサーチなどで軽減はできても完全には防げないとされています。
長い録音は30秒ずつ処理する
ファイル全体を30秒の窓で順に処理します。長い会議ではGPUがないと時間がかかり、APIでは25MBを超えるファイルの分割が必要です。
編集・共有の画面がない
出力はテキストや字幕のファイルです。音声を聞きながらの修正、用語の統一、チームでの共有や検索は別の道具で行います。
自分で動かすか、文字起こしサービスを使うか
Whisperが向いているのは、操作に慣れていて、音声を手元から出したくない人です。会議の記録をチームで使うなら、話者の区別や共有がまとまったサービスのほうが早いこともあります。
| 観点 | Whisper（自分で実行） | 文字起こしサービス |
|---|---|---|
| 費用 | 無料 | サービスによる。無料プランがあるものも |
| 準備 | Python・ffmpeg・GPUの用意 | ブラウザやアプリで登録して使う |
| 話者の区別 | なし（別の仕組みを組み合わせる） | 対応するものが多い |
| 確認・編集 | テキストエディターで行う | 音声を再生しながら編集できるものが多い |
| 会議の録音 | 自分で録音して保存 | 会議への自動参加などに対応するものも |
| データ | 手元のPCに残る | 保存先・暗号化・AI学習への利用を確認する |
自分で動かすか、サービスを使うか：当てはまるものを選ぶ
当てはまるものを選んでください
選んだ内容から、自分でWhisperを動かす方法と、文字起こしサービスを使う方法のどちらが合いそうかを示します。
目安を示す簡単なチェックです。費用・社内規程・データの扱いは、それぞれの公式情報で確認してください。
無料で使える音声認識の選び方：Whisper・クラウドAPI・アプリ
「無料の音声認識」を探すと、自分のPCで動かすWhisper、クラウドの音声認識API、完成した文字起こしアプリの3種類が出てきます。費用だけでなく、準備の手間と話者の区別で選びます。
クラウドのAPIの無料利用枠は、サービスごとに条件が違い、変わることもあります。たとえばAmazon Transcribeの料金ページでは、無料利用枠を「12か月間、月60分」と案内しています（2026年10月17日確認）。使う前に各社の公式の料金ページで確認してください。
APIは開発者向けの部品で、録音、話者名の修正、要約、共有の画面は自分で作ることになります。会議の記録が目的なら、アプリの無料プランで試してから判断すると手間が少なく済みます。
| 観点 | Whisperを自分のPCで | クラウドの音声認識API | 文字起こしアプリ |
|---|---|---|---|
| 費用 | 無料（PCと電気代のみ） | 従量課金。無料利用枠があるサービスもある | 無料プランがあるものと、有料のみのものがある |
| 準備 | Python・ffmpeg、長い録音ではGPU | クラウドのアカウント、APIキー、プログラム | ブラウザやスマホで登録するだけ |
| 話者分離 | なし。別のライブラリを組み合わせる | サービスやモデルによる。対応するものもある | 対応するものが多い。プランによって異なる |
| 向いている人 | プログラムに慣れ、音声を手元から出したくない人 | 自社のシステムに文字起こしを組み込みたい開発者 | 会議の記録をすぐ作り、チームで共有したい人 |
セットアップなしで、話者付きの文字起こしを
Klangは録音のアップロード、会議ボット、ブラウザ録音から文字起こしを作り、元の音声を聞きながら確認できます。フリープランは文字起こし無制限。話者の自動識別はプロプラン（月払い¥1,180、年払いは月あたり¥980、1ユーザー・税込）です。
- インストール不要、ブラウザで使える
- 文から元の音声へすぐ戻れる
- Word・SRT・CSVなどで書き出し
よくある質問
Whisperは無料で使えますか？
はい。プログラムとモデルの重みはMITライセンスで公開されており、自分のPCで動かす場合は料金がかかりません。OpenAIのAPI経由で使う場合は従量課金で、2026年10月17日時点でwhisper-1は1分あたり$0.006です。
Whisperで日本語を文字起こしするコマンドは？
ffmpegとopenai-whisperを入れたあと、「whisper 会議.mp3 --language Japanese」を実行します。モデルを指定しないと、公式READMEで既定とされるturboが使われます。結果は、コマンドを実行したフォルダーにTXT・SRT・VTTなどの形式でまとめて保存されます。
Whisperの文字起こしアプリはありますか？
OpenAI公式のWhisperはコマンドで使うプログラムで、画面のあるアプリは付いていません。Buzzのように、Whisperを組み込んでPC内で文字起こしするデスクトップアプリがあります（公式READMEでは話者の識別にも対応）。インストールせずに使うなら、Klangのようなブラウザの文字起こしサービスを使う方法もあります。
Whisperは日本語に対応していますか？
対応しています。--language Japanese で言語を固定できます。精度は言語や録音の条件で変わるため、自分の録音でモデルを比べて選んでください。
Whisperで話者を分けられますか？
Whisper単体には話者を区別する機能はありません。話者分離の仕組みを別に組み合わせるか、話者の区別に対応したアプリやサービスを使います。Klangでは話者の自動識別はプロプランの機能です。
GPUがないPCでもWhisperは動きますか？
CPUでも動きますが、大きいモデルや長い録音では処理に時間がかかります。まず小さいモデルと短い録音で処理時間を確かめてください。
Whisperの出力に、話していない文が入っていました。なぜですか？
公式のモデルカードは、実際には話されていない文を出力することがあると説明しています。無音や雑音の区間で起こりやすいため、該当箇所を音声で確認し、--hallucination_silence_threshold などの設定も試してください。