AIツール活用

whisper.cppの使い方|日本語の音声を無料で文字起こしして字幕も作る

中島大介(なかじ)読了時間 約22分
whisper.cppでMacで日本語の音声を文字起こしする方法を解説する記事のアイキャッチ

会議の録音を文字にしたいけれど、社外のサービスに音声を送るのは気が引けると感じたことはないでしょうか。手で書き起こすと、1時間の録音に何時間もかかってしまいます。

whisper.cppは、OpenAIの音声認識のAI「Whisper」を、手元のパソコンで動かせるようにした無料の道具です。音声は自分のMacの中で処理されるため、外のサービスに送らずに文字起こしができます。ただし、モデルの準備や音声の形式、言語の指定など、最初につまずきやすい点がいくつかあるので注意が必要です。

この記事では、whisper.cppをMacに入れる手順から、モデルの準備、日本語の文字起こし、字幕の保存、精度の上げ方までを実画面で解説します。

この記事を読めば、Macに保存した会議の録音を、無料で文字にできるようになります。日本語の文字起こしでは、コマンドに「-l ja」を付けることが大切です。

目次

whisper.cppで文字起こしする前に準備すること

whisper.cppは、ターミナル(Macの黒い画面)で使う道具です。最初に、文字にする音声と、使うモデルの大きさを決めておきましょう。準備することは、以下の3つです。

  1. 文字にする音声をMacに保存する
  2. 練習用の音声を作る(任意)
  3. 使うモデルの大きさを決める

文字にする音声をMacに保存する

文字にしたい録音のファイルを、Macのフォルダに保存します。本記事では、ホームフォルダの中に「touchai-demo/whisper-demo」というフォルダを作り、架空の会議の録音「定例会議.m4a」(約58秒)を置きました。iPhoneのボイスメモの録音も、m4aという形式で保存されます。

ターミナルは、Finderの「アプリケーション」→「ユーティリティ」の中にある「ターミナル」というアプリです。本記事のフォルダには「cd ~/touchai-demo/whisper-demo」で移ります。自分のフォルダに移るときは「cd」と半角の空白を入力してから、Finderのフォルダをターミナルの画面にドラッグしてEnterキーを押してください。

会議を録音して文字にするときは、録音することを参加者に伝え、会社のルールも確かめておきましょう。

練習用の音声を作る(任意)

手元に試せる録音がない場合は、Macの読み上げの機能で練習用の音声を作れます。ターミナルで以下のコマンドを実行すると、日本語の声で読み上げた音声が「練習.aiff」に保存されます。

  • say -v Kyoko -o 練習.aiff "これは文字起こしの練習用の音声です。来週の会議は火曜日の十時からです。"

本記事の「定例会議.m4a」も、読み上げの機能で作った架空の2人の会話です。読み上げの音声は、実際の会議の録音よりも聞き取りやすいため、本記事の精度は参考の値として見てください。

練習.aiffで試すときは、後の手順の「定例会議.m4a」を「練習.aiff」に「定例会議.wav」を「練習.wav」に置き換えます。編集部でも練習.aiffをWAVに変換して文字起こしまで通し、2つの文が正しく文字になりました。

使うモデルの大きさを決める

whisper.cppでは、音声を文字にする「モデル」というファイルを別にダウンロードして使います。モデルは大きいほど正確になりやすい一方で、ディスクとメモリを多く使います。whisper.cppの公式ページ(GitHub)に載っている、モデルの大きさの目安は以下の表のとおりです。

モデルディスクメモリ
tiny75MiB約273MB
base142MiB約388MB
small466MiB約852MB
medium1.5GiB約2.1GB
large2.9GiB約3.9GB

本記事では、largeを軽くした「large-v3-turbo-q5_0」(約574MB)を主に使いました。名前に「.en」が付いたモデルは英語用なので、日本語の文字起こしには「.en」の付かないモデルを選んでください。

Homebrew・FFmpeg・whisper.cppを用意する手順

whisper.cppとFFmpeg(音声の形式を変える道具)は、Macの道具を管理する「Homebrew」で入れます。用意する手順は、以下の3つです。

  1. Homebrewを入れて確かめる
  2. FFmpegを入れて確かめる
  3. whisper.cppを入れて確かめる

Homebrewを入れて確かめる

Homebrewは、Homebrewの公式ページの「Homebrewをインストール」の下にある、以下の1行のコマンドで入ります。コマンドをターミナルに貼り付けてEnterキーを押し、Macのパスワードを求められたら入力してください。

  • /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

インストールの最後に「Next steps」と表示された場合は、Next stepsの下に表示されたコマンドを1行ずつコピーして実行します。終わったらターミナルを開き直してください。撮影のMacにはすでにHomebrewが入っていたため、インストールの途中の画面は撮っていません。

入ったかどうかは、ターミナルで「brew --version」と入力して確かめます。以下の画像のように「Homebrew」と版の番号が表示されれば、Homebrewは入っています。

FFmpegを入れて確かめる

ターミナルで「brew install ffmpeg」と入力してEnterキーを押すと、FFmpegが入ります。入ったかどうかは「ffmpeg -version | head -1」で確かめましょう。

上の画像のように「ffmpeg version」と表示されれば、FFmpegは入っています。撮影のMacには、すでにFFmpegが入っていました。

whisper.cppを入れて確かめる

ターミナルで「brew install whisper.cpp」と入力してEnterキーを押します。初めて入れるMacでは、ダウンロードとインストールの表示が続き、最後に入力待ちに戻ります。

撮影のMacには、ほかの道具の一部としてwhisper.cpp 1.9.4がすでに入っていました。上の画像の赤い「Error: whisper.cpp 1.9.4 is already installed」は「すでに入っています」という意味で、問題はありません。下の「To upgrade to 1.9.5」は新しい版への更新の案内で、更新しなくても本記事の手順は動きます。

初めて入れるMacでは、入れた日の最新の版(撮影の日は1.9.5)が入ります。本記事の画面は、すべて1.9.4で撮影しました。

whisper.cppの文字起こしのコマンドは「whisper-cli」です。ターミナルで「which whisper-cli」と入力し、場所が表示されれば使える状態です。

whisper.cppのモデルをダウンロードする手順

whisper.cppのモデルは、AIのモデルを公開しているサイト「Hugging Face」からダウンロードします。モデルをダウンロードする手順は、以下の3つです。

  1. モデルのページで名前と大きさを確かめる
  2. curlでモデルをダウンロードする
  3. 保存できたかを確かめる

モデルのページで名前と大きさを確かめる

whisper.cppのモデルは、Hugging Faceのwhisper.cppのモデルの一覧のページにまとまっています。ページは、ログインしなくても見られる公開のページです。

一覧から使うモデルの名前を選ぶと、ファイルの大きさが分かります。本記事で使ったggml-large-v3-turbo-q5_0.binのページでは、大きさは574MBと表示されていました。

curlでモデルをダウンロードする

ターミナルで、音声を置いたフォルダに移ってから、以下のコマンドを実行します。「models」というフォルダを作り、modelsのフォルダにモデルを保存するコマンドです。

  • mkdir -p models && curl -L -o models/ggml-large-v3-turbo-q5_0.bin https://huggingface.co/ggerganov/whisper.cpp/resolve/main/ggml-large-v3-turbo-q5_0.bin

ほかのモデルを使う場合は、コマンドの2か所の「ggml-large-v3-turbo-q5_0.bin」を、使うモデルのファイル名に置き換えてください。

保存できたかを確かめる

ダウンロードが終わると、進み具合の表の左端が「100」になり、入力待ちに戻ります。撮影の環境では、574MBのダウンロードに約12秒かかりました。

保存できたかは「du -h models/*」で確かめます。ファイルの大きさが表示されれば、モデルの準備は完了です。

表示される数字は、Hugging Faceのページやcurlの表と少し違うことがあります。数え方の違いなので、ファイルの名前が表示されていれば保存はできています。

whisper.cppで読める形式に音声を変換する手順

本記事で使ったwhisper.cpp 1.9.4では、iPhoneのボイスメモと同じm4aの形式の音声は読み込めませんでした。WAV・MP3・FLACの形式は読み込めたため、m4aはFFmpegでWAVに変換してから使います。音声を変換する手順は、以下の2つです。

  1. FFmpegで音声をWAVに変換する
  2. できたWAVのファイルを確かめる

FFmpegで音声をWAVに変換する

ターミナルで「ls」と入力し、変換する音声のファイル名を確かめましょう。

続けて、以下のコマンドを実行します。whisper.cppの公式ページに載っている変換のコマンドで、ファイル名だけを本記事の録音に合わせました。

  • ffmpeg -i 定例会議.m4a -ar 16000 -ac 1 -c:a pcm_s16le 定例会議.wav

「-ar 16000」は、1秒あたり16,000回の細かさにする指定です。「-ac 1」で左右をまとめた1本の音にし、記録の方式は「-c:a pcm_s16le」で指定します。どれもwhisper.cppの公式ページで案内されている形式です。

できたWAVのファイルを確かめる

「ls」でフォルダの中を見て「定例会議.wav」が増えていれば変換は完了です。

whisper.cppで日本語の音声を文字起こしする手順

モデルと音声の準備ができたら、文字起こしを実行します。日本語の音声を文字起こしする手順は、以下の2つです。

  1. 言語に日本語を指定して実行する
  2. 時刻つきの結果を読む

言語に日本語を指定して実行する

ターミナルで、以下のコマンドを実行します。「-m」の後がモデルの場所「-l ja」が日本語の指定「-f」の後が音声のファイルです。

  • whisper-cli -m models/ggml-large-v3-turbo-q5_0.bin -l ja -f 定例会議.wav

「-l ja」を付け忘れると、英語の音声として扱われます。撮影では、付け忘れると中身が大きく抜けました(後の「うまく文字起こしできないとき」の見出しで解説します)。

時刻つきの結果を読む

実行すると、最初にモデルの読み込みの表示が流れます。続いて「[00:00:00.000 --> 00:00:03.460]」のような時刻つきで、文字が表示されます。

上の画像では、約58秒の音声が約3.3秒で文字になりました。最後の「total time」が、かかった時間(ミリ秒)です。商品名の「ミライノート」が「未来ノート」になるなど、固有名詞には誤りが残っています。固有名詞の直し方は、後の見出しで解説します。

whisper.cppの結果をテキストと字幕のファイルに保存する手順

画面に表示された文字は、そのままでは残りません。テキストや字幕のファイルに保存する手順は、以下の3つです。

  1. 保存の指定を付けて実行する
  2. テキストのファイルを開く
  3. 字幕のファイルを確かめる

保存の指定を付けて実行する

ターミナルで、以下のコマンドを実行します。「-otxt」はテキスト「-osrt」は字幕のファイルで保存する指定で「-of」の後が保存するファイルの名前(拡張子なし)です。

  • whisper-cli -m models/ggml-large-v3-turbo-q5_0.bin -l ja -otxt -osrt -of 定例会議 -f 定例会議.wav

実行が終わったら「ls」で「定例会議.txt」と「定例会議.srt」が増えたことを確かめます。

テキストのファイルを開く

ターミナルで「open .」と入力すると、今のフォルダがFinderで開きます。Finderで「定例会議.txt」を選んでスペースキーを押すと、クイックルックで中身をのぞけます。テキストのファイルには、時刻なしの文だけが1行ずつ保存されていました。

字幕のファイルを確かめる

「定例会議.srt」は、動画の字幕に使える形式のファイルです。ターミナルで「head -16 定例会議.srt」と入力すると、最初の16行を表示できます。

上の画像のように、番号・時刻・文の3行が1組です。動画の編集のアプリに読み込めば、時刻に合わせて字幕が表示されます。

whisper.cppのモデルと固有名詞の指定を変えて結果を比べる手順

文字起こしの精度は、モデルの選び方と、固有名詞の伝え方で変わります。精度を比べて上げる手順は、以下の2つです。

  1. モデルを変えて同じ音声を文字にする
  2. 固有名詞を「--prompt」で教える

モデルを変えて同じ音声を文字にする

本記事では、base・small・large-v3-turbo-q5_0の3つのモデルを用意して、同じ音声を文字にしました。ほかのモデルも、前の見出しのcurlのコマンドのファイル名を変えてダウンロードできます。

いちばん小さいbaseのモデルでは「whisper-cli -m models/ggml-base.bin -l ja -f 定例会議.wav 2>/dev/null」を実行しました。最後の「2>/dev/null」は、モデルの読み込みの表示を省く指定です。エラーの表示も隠れてしまうので、うまく動かないときは「2>/dev/null」を外して実行してください。

上の画像のように、baseのモデルでは誤りが目立ちました。撮影のMac(Apple M2 Pro・メモリ32GB)で約58秒の音声を文字にした結果を、以下の表にまとめます。時間は2回ずつ測ったおおよその値です。

モデル大きさかかった時間主な誤り
base142MiB約1.7秒商品名が「未来の音」、見本が「メホーム」、費用が「日曜」
small466MiB約2.6秒商品名が「未来の音」、見本が「未本」
large-v3-turbo-q5_0約574MB約3.2秒商品名が「未来ノート」「6メートル四方」が「6メートル仕様」

短い音声では、大きいモデルでも数秒の差でした。正確さを優先するなら、まずはlarge-v3-turbo-q5_0から試すのがおすすめです。

固有名詞を「--prompt」で教える

商品名や人の名前など、音声に出てくる言葉を「--prompt」で先に教えると、正しく書かれやすくなります。本記事では、以下のコマンドを実行しました。

  • whisper-cli -m models/ggml-large-v3-turbo-q5_0.bin -l ja --prompt "ミライノート、六メートル四方、五百部刷る" -f 定例会議.wav 2>/dev/null

上の画像では「ミライノート」と「6メートル四方」が正しく書かれました。一方で「五百部刷る」は「五百部する」のままで、すべてが直るわけではありません。大事な数字や名前は、元の録音を聞いて確かめましょう。

whisper.cppでうまく文字起こしできないときの対処法

whisper.cppは、音声の形式や言語の指定が合わないと、止まったり中身が抜けたりします。撮影の中で実際に起きたつまずきと対処は、以下の2つです。

  1. m4aの音声を渡すと読み込めない
  2. 言語を指定しないと中身が抜ける

m4aの音声を渡すと読み込めない

m4aの音声をそのまま「-f」に渡すと、以下の画像の下のほうのように「failed to read audio file」と表示されて止まりました。

「failed to read audio file」は「音声のファイルを読めませんでした」という意味です。FFmpegでWAVに変換してから、もう一度実行してください。

言語を指定しないと中身が抜ける

「-l ja」を付けずに実行すると、whisper.cppは最初の設定の英語として音声を扱います。撮影では、最初の30秒が「Okay.」の1行だけになり、中身が抜けてしまいました。

文字起こしの結果が英語になったり、短すぎたりしたときは、コマンドに「-l ja」が入っているかを確かめてください。

whisper.cppの使い方に関するよくある質問

whisper.cppの使い方について、よくある質問と答えをまとめました。

文字起こしの結果を議事録にまとめられますか?

whisper.cppは文字にするところまでの道具で、要約はしません。保存したテキストのファイルを、ChatGPTやClaudeなどのAIに渡して「議事録の形にまとめて」と頼むと、議事録の下書きを作れます。会議の内容を外のAIに渡してよいかは、会社のルールを確かめてください。

議事録の作り方は、議事録作成AIの記事で解説しています。

議事録作成AIの選び方!Zoom・Teams・Meetの標準機能と無料で試す方法

whisper.cppとmlx-whisperはどう違いますか?

どちらもWhisperを手元で動かす道具です。whisper.cppはC/C++で書かれ、Homebrewで入れてコマンドで使います。mlx-whisperは、Apple製のチップ向けの仕組み「MLX」を使うPythonの道具です。本記事ではwhisper.cppだけを試しました。

mlx-whisperを使った動画の文字起こしの例は、動画編集の記事で紹介しています。

Claude Codeで動画編集を自動化する方法!1人語り動画の実例と手順を解説

whisper.cppは無料で使えますか?

whisper.cppは無料で使えます。Homebrewの情報ではMITライセンスで、モデルのページにも「License: mit」と表示されています。音声は手元のMacで処理されるため、使った分の料金もかかりません。

文字起こしを速くする設定はありますか?

「-t」で、計算に使う数(スレッドの数)を変えられます。最初の設定は4です。撮影のMacでは、最初の設定のままでも約58秒の音声を数秒で文字にできたため、まずは設定を変えずに試してください。

まとめ

whisper.cppを使えば、Macに保存した録音を、外のサービスに送らずに無料で文字にできます。whisper.cppの使い方の要点は、以下の5つです。

  1. Homebrewで「brew install ffmpeg」「brew install whisper.cpp」を入れる
  2. Hugging Faceからモデルをダウンロードする(日本語は「.en」の付かないモデル)
  3. m4aの録音は、FFmpegでWAVに変換してから使う
  4. 文字起こしでは必ず「-l ja」を付け「-otxt」「-osrt」で保存する
  5. 固有名詞は「--prompt」で教え、大事な数字は録音を聞いて確かめる

まずは練習用の短い音声で、モデルのダウンロードから文字起こしまでを1回通してみてください。

参考リンク

この記事の監修者

中島大介(なかじ)

中島大介(なかじ)

株式会社メリル 代表取締役 / 記事監修

株式会社メリル代表取締役。SEO歴20年以上。最新AIやセキュリティについて発信するYouTube「ウェブ職TV」は登録者15万人以上。著書「ChatGPT & Copilotの教科書」は10万部突破!

プロフィールを見る

関連する記事

Cursorのプラグイン「pstack」の使い方を解説する記事のアイキャッチ
AIツール活用

pstackの使い方|Cursor・Claude Codeへの入れ方と頼み方

pstackを使ってみたい方は必見!この記事では、pstackの入れ方と/poteto-modeでの頼み方を解説します。実は、pstackで最初に覚えるコマンドは2つだけです。記事を読めば、AIに確かめさせながら作業を任せられます。

中島大介(なかじ)監修 / Touch AI編集部25 分で読めます
MetaのAIエージェント「Muse」の使い方を解説する記事のアイキャッチ
AIツール活用

Museの使い方|Meta Museの始め方・初期設定・料金を解説

Museを使い始めたい方は必見!この記事では、Meta Museの始め方・初期設定・料金を解説します。実は、Museとのやり取りをAIの学習に使う設定は最初からオンです。記事を読めば、任せる範囲を決めてから使い始められます。

中島大介(なかじ)監修 / Touch AI編集部26 分で読めます
Claude Codeで複数ファイルを一括置換する方法を解説する記事のアイキャッチ
AIツール活用

複数ファイルの文字列を一括置換するには?Claude Codeで残す語を指定

製品名の変更で複数のファイルを直したい方は必見!この記事では、Claude Codeで複数のファイルの文字を一括置換する手順を解説します。実は、残す語を決めてから置き換えられます。記事を読めば、コピーから元に戻す方法も分かります。

中島大介(なかじ)監修 / Touch AI編集部19 分で読めます

次のステップ

最新動向を学びに変える

話題のAIアップデートを、現役講師が背景と実務への影響まで解きほぐします。Touch AI の最新講座で、変化に追いつくための視点を得てください。

受講できる講座を見る