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

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
- Homebrew・FFmpeg・whisper.cppを用意する手順
- whisper.cppのモデルをダウンロードする手順
- whisper.cppで読める形式に音声を変換する手順
- whisper.cppで日本語の音声を文字起こしする手順
- 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
- 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
- whisper.cppでうまく文字起こしできないときの対処法
- whisper.cppの使い方に関するよくある質問
- まとめ
- 参考リンク
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。
- 文字にする音声をMacに保存する
- 練習用の音声を作る(任意)
- 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 |
|---|---|---|
| tiny | 75MiB | 約273MB |
| base | 142MiB | 約388MB |
| small | 466MiB | 約852MB |
| medium | 1.5GiB | 約2.1GB |
| large | 2.9GiB | 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。
- Homebrewを入れて確かめる
- FFmpegを入れて確かめる
- 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。
- モデルのページで名前と大きさを確かめる
- curlでモデルをダウンロードする
- 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。
- FFmpegで音声をWAVに変換する
- 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。
- 言語に日本語を指定して実行する
- 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。
- 保存の指定を付けて実行する
- テキストのファイルを開く
- 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。
- モデルを変えて同じ音声を文字にする
- 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 |
|---|---|---|---|
| base | 142MiB | 約1.7秒 | 商品名が「未来の音」、見本が「メホーム」、費用が「日曜」 |
| small | 466MiB | 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。
- m4aの音声を渡すと読み込めない
- 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。
- Homebrewで「brew install ffmpeg」「brew install whisper.cpp」を入れる
- 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)
- m4aの録音は、FFmpegでWAVに変換してから使う
- 文字起こしでは必ず「-l ja」を付け「-otxt」「-osrt」で保存する
- 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。



