Whisperの
結論
- Whisperは、pipで導入し、ffmpegを入れてから、コマンド1行で音声ファイルを文字起こしできます。
- コードとモデルの重みはMIT Licenseで公開されており、手元のパソコンで動かせます。
- 日本語の音声は --language Japanese を付けると文字起こしできます。モデルは turbo が既定です。
- 英語への翻訳をしたいときは turbo ではなく medium か large を使います。
仕事とお金への影響
- 会議や取材の録音を文字にし、議事録の下書きを作るときに使えます。
- 英語の動画や講義の音声を、英語のテキストにする作業に使えます。
- 業務の音声を入れる前に、短い音声でモデルの精度と処理時間を確かめるとよいでしょう。
発表内容をもとにした一般的な情報です。導入や契約の判断は、公式情報を確かめたうえでご自身で行ってください。
Whisperは、OpenAIが2022年9月に公開した音声認識（音声を文字にする技術）のモデルです。このページでは、パソコンへの導入から、音声ファイルの文字起こし、日本語の指定、Pythonからの利用までを順に説明します。公式ページ（OpenAIの紹介ページとGitHub）の記載だけを根拠にしています。
手順
Pythonとffmpegを用意する
Whisperは Python 上で動きます。公式ページでは Python 3.8〜3.11 と、新しめの PyTorch で互換性が見込まれると書かれています。音声を読み込むには ffmpeg も必要です。Ubuntu や Debian なら sudo apt install ffmpeg、MacOS なら Homebrew で brew install ffmpeg、Windows なら Chocolatey か Scoop で入れられます。
pipでWhisperを入れる
ターミナルやコマンドプロンプトで pip install -U openai-whisper を実行します。-U は、すでに入っている場合に最新版へ更新する指定です。公式ページでは、pip install git+https://github.com/openai/whisper.git で最新のコミットを入れる方法も案内されています。
モデルのサイズを知る
Whisperには tiny、base、small、medium、large、turbo の6つのモデルがあります。サイズが大きいほど精度と引き換えに処理は遅くなります。turbo は large-v3 を最適化したモデルで、large より速く処理できると公式ページに書かれています。
音声ファイルを文字起こしする
ターミナルで whisper audio.mp3 --model turbo と入力します。audio.flac や audio.wav のように、複数のファイルを並べて指定することもできます。全オプションは whisper --help で確認できます。
日本語の音声を指定する
日本語の音声は --language Japanese を付けます。公式ページには whisper japanese.wav --language Japanese という例が載っています。対応する言語の一覧は tokenizer.py で確認できます。
Pythonから呼び出す
Pythonでは whisper.load_model('turbo') でモデルを読み込み、model.transcribe('audio.mp3') を実行します。結果の文章は result['text'] で取り出せます。transcribe() は30秒の窓をずらしながら音声を処理すると説明されています。
料金・無料でどこまで使える？
無料でできること・制限
- ソフトウェアは MIT License で公開されており、pip で入れて手元の環境で実行できます。
- モデルは tiny から large まで6サイズあり、処理速度と精度のバランスを選べます。
- 日本語を含む多言語の文字起こしに対応しています。日本語は --language Japanese で指定します。
- 英語以外の音声を英語に翻訳する機能があります。翻訳には turbo 以外のモデルを使います。
- 英語専用の .en モデル（tiny.en、base.en、small.en、medium.en）もあり、英語だけを扱う場合に向いています。
- 処理の速さは言語、話す速さ、ハードウェアによって大きく変わると公式ページに書かれています。
2026/11/13時点で公式ページの表記を確認した内容です。料金や上限は変わることがあるため、申し込む前に公式サイトで最新の情報を確認してください。
日本で使える？
日本語の音声を扱えます（言語指定）
日本国内での提供状況や、日本語の問い合わせ窓口は、公式ページでは案内されていません。一方、日本語の音声は --language Japanese を付けて文字起こしできることが、GitHubの例で示されています。Whisperは手元のパソコンに導入して使うソフトウェアです。円での支払いについては、公式ページに料金の記載がありません。
つまずきやすい点と注意
ffmpegが入っていないとエラーになる
音声ファイルを読み込むには ffmpeg が必要です。インストールできていないと、文字起こしの前の段階で止まります。先に ffmpeg が使える状態かを確かめてから、Whisperを実行するとよいでしょう。
pip installでエラーが出る場合がある
tiktoken に対応する事前ビルド済みのパッケージがない環境では、Rust の開発環境が必要になることがあります。公式ページには、PATH の設定や setuptools-rust の導入方法も案内されています。
社外秘や個人情報の音声は確認してから使う
会議や面談の録音には、社外秘や個人情報が含まれることがあります。社内のルールや契約を確認してから、文字起こしに使うとよいでしょう。
翻訳には turbo を使わない
turbo は翻訳のタスクで学習されていないと、公式ページに書かれています。翻訳をするときは medium か large を選びます。turbo で --task translate を指定しても、元の言語のまま返されます。
よくある質問
Q. Whisperは無料で使える？
A. Whisperのコードとモデルの重みは、MIT License で公開されています。pipで導入し、手元のパソコンで文字起こしできます。ライセンスの条件は、GitHubのLICENSEファイルで確認できます。
Q. 日本語の音声も文字起こしできる？
A. できます。whisper japanese.wav --language Japanese のように、--language Japanese を付けて指定します。多言語のモデルは、日本語を含む多言語の文字起こしに対応しています。
Q. 英語以外の音声を英語に翻訳できる？
A. できます。--task translate を付けて、medium か large を使うと、翻訳の結果がもっとも良いと公式ページに書かれています。turbo は翻訳には使わない方がよいとされています。
Q. Whisperはどうやってインストールする？
A. pip を使います。pip install -U openai-whisper で導入できます。音声を読むための ffmpeg は、別にインストールが必要です。
Whisperの最新ニュース
あわせて読む
参考にした公式情報（確認日 2026/11/13）
このページは、上の公式ページの内容だけをもとに編集部が作成し、別のAIで公式ページと照合しています。公式ページは14日ごと、料金などの関連ニュースが出たときはその都度確認し直しています。編集方針