音声を速く 文字起こしする方法

方法別・1時間の音声の文字起こしにかかる時間

まず理解しておきたいのは、「速い」は幅広いスペクトルで、その差は非常に大きいということです。1時間のクリアな音声を文字起こしするコストを方法別にまとめました。

「数時間」から「数分」への飛躍が、ここで唯一重要な数字です。AI処理が2分でも6分でも、入力に費やす4時間と比べれば誤差の範囲です。NVIDIAはopen-ASRリーダーボードのハードウェアでParakeetモデルがリアルタイムの何千倍もの速度で動作すると報告していますが、その数字は無視していいです。実際の速度はベンチマーク機ではなく、あなたのCPUに依存します。信頼すべき数字はアプリ内のものです。Parakeetは同じプロセッサ上でWhisperの5〜10倍速く動作します。

速い方法：ステップバイステップ

動作確認済みの最速ルートを順番に説明します。ここではライブで話して、その場でテキストを取得する方法を前提としています。ほとんどのユースケースでは「録音してから処理」より速いです。話し終わった瞬間にトランスクリプトができているからです。

ライブ音声ではなく録音済みのファイルが素材の場合は、下部のFAQをご覧ください。正直な回答を載せています。

ローカルとクラウド：速さの源はどこか

サーバーが大きいからクラウドの方が速い、と思いがちです。しかし1段落程度の音声入力では、その前提は間違いです。クラウド文字起こしは音声をパッケージ化してネットワーク越しに送り、応答を待って受け取る必要があります。接続が良ければ往復は速いですが、モデルが自分のCPUで動けばネットワーク時間はゼロです。

ローカルモードはプロセス内で処理します。Whisperのローカル文字起こしはすべてtranscribe-rsを通じたピュアRustで動作し、Pythonのサイドカープロセスは不要です。サーバーが介在せず、APIの従量課金もなく、音声がマシンの外に出ることもありません。クラウドモードは逃げ道です。独自キーを使うOpenAIで、デフォルトではgpt-4o-mini-transcribeを使用します。最新モデルやウェブアクセスが必要なときのオプションです。これが Whisper Pro の機能で、無料のローカルパイプラインの上に重なるレイヤーです。

この記事での私の唯一の強い意見はこれです。まずローカルモードを試してください。PCが過去4年以内のものか、Mac が Apple Silicon なら、文字起こしにクラウドは必要ありません。ローカルモードは最近のマシンでキー離しからテキスト貼り付けまで2秒以下を達成し、データはローカルに留まり、1分あたりの料金もかかりません。クラウドは限界に当たったときの切り替え先であり、出発点ではないのです。かつて一緒に仕事したチームが1四半期で5桁のクラウド請求を積み上げるのを見ました。その大半は、同じスタンドアップ録音を4回再文字起こしするスマートなリトライ処理のせいでした。四半期レビューでCFOがダッシュボードを開いたとき、部屋が静まり返りました。ローカルファーストなら、その請求はゼロでした。

Parakeetが最速のローカルオプションである理由

純粋な速さが目的で、英語またはヨーロッパ言語を話すなら、Parakeetが最善の選択です。NVIDIAのParakeet-TDTモデルはCC-BY-4.0ライセンスの6億パラメータモデルで、Whisperでは同じCPU上でWhisperモデルの5〜10倍速く動作します。これが速度の決め手です。専用GPUのないノートパソコンでは、この差が「待つ」か「待たない」かの分かれ目になります。

トレードオフは言語のカバレッジです。Parakeetは25言語（English + 24のヨーロッパ言語）に対応しており、英語への翻訳機能もアジア言語対応もありません。日本語、韓国語、中国語の文字起こしや、ある言語の音声を英語に翻訳する必要があるなら、Parakeetは向いていません。その場合は多言語99言語対応で英語への翻訳もできるWhisperモデルを選んでください。Whisperの.en版（Base、Small、Medium、Turbo）は英語専用で、1モデル1言語です。

正直なところ、日常的な英語入力においては、Parakeetはモデルがボトルネックにならないくらい速いです。制約はあなたの話すペースの方です。その瞬間、音声文字起こしはツールから、キーボードなしのタイピングへと変わります。私はエンジンを信頼する前に3通りのベンチマークを取るタイプのアーキテクトですが、それでも2週目のどこかでタイマーを確認するのをやめました。オフライン中心で作業する場合は、オフライン音声テキスト変換ガイドで、すべてをデバイス上で動かす方法を詳しく解説しています。

AI文字起こしをスキップして手動で行うべき場面

AI文字起こしは速い、でも魔法ではありません。スキップして手動で入力した方がいい場面が3つあります。1つ目は、録音状態が悪い場合。複数の話者が重なっている、大きなバックグラウンドノイズ、カフェのテーブルに置かれた電話。モデルは自信を持って間違った言葉を出力し、その修正は最初から入力するより時間がかかります。$20のUSBマイクはどんなモデルアップグレードより精度向上に貢献します。まずソースを改善してください。2つ目は、1つの聞き間違えた数字が意味を変える法律文書や医療文書で、どのみち一語一語確認が必要な場合。3つ目は短いクリップ。30秒の音声メモに何かを起動する価値はなく、スマートフォンの標準音声入力で無料で対応できます。速い方法は長い音声のためのものです。節約できる4時間は本物です。

ライブ音声ではなく保存済みの録音を素材にする場合は、それ独自の小さなワークフローがあります。音楽や音声配信ファイルが素材なら、MP3をテキストに変換する方法のステップバイステップで、ファイルドロップのルートを最初から最後まで説明しています。

ローカルパイプラインは無料

Whisperのローカル文字起こしパイプライン全体は、サインイン済みのユーザーなら誰でも無料です。Parakeet、8つのWhisperモデル全て、Ollamaによる AIテキスト整形、履歴、プリセット、ホットワード、ハードウェアアクセラレーション。サインアップ時に支払い方法は不要です。Whisper Proはその上にクラウド機能を追加します。独自キーを使うOpenAI文字起こしとウェブ検索を必要とするユーザー向けです。正確な料金は料金ページで確認できます。月払い、年払い、買い切りを、途中で数字を挟まずに比較できます。

私が見た中で最速の文字起こしはベンチマークではありませんでした。下の娘が祖母宛てのメールを2分以内に口述したときです。内容は「抜けた歯、歯の妖精の交換レート、ダンスの授業」。90語、修正なし、キーボードなし。娘は遅い方法をスキップしたとは気づいていませんでした。コンピュータとはそういうものだと思っていただけです。サポートチケットを1年間読み続けて、私は娘が正しいと結論づけました。私たちが追いつく途中にいるだけです。