Whisper文字起こし完全ガイド：モデル、精度、オフライン実行
Whisperの仕組み、tinyからlarge-v3-turboまでの選び方、多言語精度の測定、Mac・iPhoneでのローカル実行を解説します。
更新
要点
- 大きいモデルほど常に最適とは限りません。
- 自分の実音声で速度・メモリ・重要語の誤りを測ります。
- WERだけでなく幻覚や重大な誤認識も記録します。
Whisperが音声を文字にする仕組み
Whisperは音声をスペクトログラムに変換し、エンコーダーとデコーダーで多言語テキストを生成します。音楽、同時発話、固有名詞、長い無音では誤りや幻覚が起こるため、重要用途では原音確認が必要です。
tinyからturboまでの選び方
tiny・baseは軽量、smallは多言語の均衡、medium・largeは難しい音声、turboは高速処理向けです。量子化、実行環境、Apple Silicon最適化も実速度を左右します。
- 短いメモは小型またはturbo
- 多言語取材はsmall以上を比較
- 旧端末はメモリと安定性を優先
- 重要記録は人が確認
用途に合う精度測定
英語はWER、日本語はCERも用い、氏名、数字、否定、遠距離録音、言語混在を別に評価します。「承認していない」を「承認した」とする誤りは、助詞の脱落より重大です。
完全オフラインで実行する
事前にモデルを保存し、通信を切って新しい音声を処理して確認します。Macは長時間・一括処理、iPhoneとiPadは収録と移動処理に向きます。同期や分析は別途確認が必要です。
他のローカルモデルとの使い分け
Whisperは言語範囲、Parakeetは対応欧州言語の速度、SenseVoiceは中日韓、Voxtralは音声理解に強みがあります。同じテスト音源で比較し、言語と目的に応じて選びます。
よくある質問
Whisperは完全オフラインで使えますか？
モデルを端末に保存すればローカル推論できます。アプリの同期、分析、バックアップは別に確認してください。
多言語にはどのモデルが最適ですか？
smallまたはturboから始め、実音声でmedium・largeと比較してください。
最大モデルが必ず最高精度ですか？
いいえ。言語、音質、量子化、デコード設定により結果は変わります。
法務・医療記録にそのまま使えますか？
使えません。専門家が原音と照合し、録音同意や保管規則にも従う必要があります。