Whisperとは? 無料AI音声認識の定番、モデル別の精度を比較

要点: WhisperはOpenAIが無料で公開した音声認識AIで、最近の字幕ツールの多くがこのエンジンを使っています。日常的な動画はSmall、専門用語が多いならMedium、最高の精度が必要ならLarge系を選べばOKです。

字幕ソフトを調べていると「Whisperベース」という言葉が何度も出てきます。これが何かを知れば、ツールを選ぶ目が養われます。

Whisperとは?

Whisper(ウィスパー)は、ChatGPTを作ったOpenAIが2022年に無料で公開した音声認識AIです。約68万時間分の音声で学習していて、日本語を含む90以上の言語を文字起こしできます。

ポイントは「公開」であることです。誰でも持ってきて使えるため、数多くの字幕ツールが内部エンジンとしてWhisperを使っています。だからツールが違っても文字起こしの品質が似ていることが多いのです。差が出るのはエンジンより編集機能と使い方です。

モデルサイズ: 文字起こし品質の本当の変数

Whisperはひとつではなく、サイズ別に複数のモデルがあります。大きいほど正確で遅くなります:

「自動字幕が不正確」と感じたなら、ツールの問題ではなく小さいモデルを使っている可能性が高いです。モデル以外の精度の変数は精度を上げる5つの方法で扱っています。

サーバー処理 vs 自分のPCで処理

同じWhisperでも、どこで動かすかが違います:

• サーバー処理: 動画を業者のサーバーにアップして処理。自分のPCのスペックに関係なく速いこともありますが、動画が外部に出て、アップロード時間がかかり、無料の上限は業者が決めます。
• 自分のPCで処理(オンデバイス): 動画がPCの外に出ません。処理速度はPCのスペック次第で、一度インストールすれば追加コストの構造がシンプルです。最近のPCなら十分速いです。

bakecutは後者の方式で(Mac・Windows対応)、Whisperモデル5種(tiny〜largeターボ)を選んで使え、動画はアップロードされません。

自分で動かすこともできる?

開発者なら無料で直接実行できます。Python環境でfaster-whisperのような高速版を使うのが一般的です。ただし出力は字幕テキスト(SRT)なので、動画に載せてデザインするには結局編集ツールが必要です。コマンドが負担なら、Whisperを内蔵したソフトを使うのが速いです。選択肢は無料字幕ソフト比較を参考にしてください。

日本語の認識精度はどこまで来たか

体感の目安として、静かな環境ではっきり話した日本語なら、Smallモデルでも95%前後まで出ます。人名、新語、ブランド名は今でも間違えることが多いので、「文字起こし→固有名詞を一括修正」という流れが現実的です。最終的な誤字修正はどのツールを使っても人の仕事なので、修正しやすいエディタを選ぶことが重要です。

まとめ: Whisperをいちばん簡単に使う方法

コマンドなしでWhisperの精度をそのまま使いたいなら、bakecutが最短ルートです。モデル5種をクリックで選んでダウンロードでき、文字起こしから字幕デザイン・書き出しまでひとつのソフトで完結し、動画はPCの外に出ません。Mac・Windowsに対応しています。

よくある質問

Whisperは本当に無料ですか?

はい。OpenAIがコードとモデルを公開しているので、誰でも無料で使えます。有料なのはWhisper自体ではなく、それをサーバーで代わりに動かしてくれるサービスの利用料です。

Whisperのモデルはどれを選べばいいですか?

日常的な動画はSmallから始めましょう。誤字が気になるならMedium、騒音が多いか最終版の品質が重要ならLarge系に上げればOKです。

インターネットなしでも動きますか?

自分のPCで動かす方式なら、モデルを一度ダウンロードした後は文字起こし自体がオフラインで可能です。サーバー方式のツールはインターネットが必須です。

Whisperはリアルタイム字幕も作れますか?

本来は録音済みの音声用に設計されていますが、準リアルタイムで使うプロジェクトもあります。ただしYouTube動画の字幕用途なら、録画後に文字起こしする方が精度の面で優れています。