Whisper文字起こし｜Pythonコードとfaster-whisperの速さ比較

手元の PC やサーバーで文字起こしするなら、faster-whisper（Whisper を CTranslate2 という高速な推論ライブラリで動かす実装）が手軽です。 pip install faster-whisper だけで入り、ffmpeg も別に入れなくて済みます。OpenAI の公式実装 openai-whisper は PyTorch で動きます。

from faster_whisper import WhisperModel

model = WhisperModel("small", device="cpu", compute_type="int8")
segments, info = model.transcribe("meeting.mp3", language="ja", beam_size=5, vad_filter=True)
for seg in segments:
    print(f"[{seg.start:7.2f} → {seg.end:7.2f}] {seg.text}")

確認環境：faster-whisper 1.2.1（pip の最新版）・ctranslate2 4.8.2・av 18.1.0・onnxruntime 1.31.0・Python 3.11.15・ffmpeg（Linux、2コア・メモリ 7GiB・GPU なし）。openai-whisper は GitHub の v20250625 タグ（PyPI の最新版 20250625 と同じ）のソースで、引数・既定値・字幕の書き出しを確かめました。手元で動かしたのは、音声の読み込み（decode_audio）、faster-whisper に入っている Silero VAD（声のある区間を見つける小さなモデル）での区間の検出、SRT の書き出し（openai-whisper の WriteSRT との比較）、モデルが取得できないときのエラー、ffmpeg での分割です。音声は faster-whisper のリポジトリの試験用の英語音声（11秒・203秒）を使いました。速さの数字は faster-whisper の README の測定値、モデルの表は openai/whisper の README、OpenAI の API はドキュメントと openai 3.29.0 の SDK の型の定義に基づきます（確認日 2026年10月13日）。

モデルの大きさとメモリ（公式の表）

モデルは大きいほど精度が上がり、遅く、メモリを使います。 日本語では .en（英語専用）でない多言語モデルを使います。

openai/whisper の README の表です。相対速度は A100 の GPU で英語の音声を処理したときの値で、言語や話す速さで変わると注記されています。turbo は large-v3 を速くしたモデルで、翻訳（英語への訳）には学習されていないとあります。

faster-whisper 1.2.1 では、名前を渡すと Hugging Face から CTranslate2 形式のモデルを取得します（utils.py の対応表）。

available_models() で返った名前は19個でした（tiny.en から turbo まで）。

どれを選ぶかの目安

openai-whisper の完成コード

pip install -U openai-whisper
# ffmpeg を別に入れる（例：sudo apt install ffmpeg ／ brew install ffmpeg）

import whisper
from whisper.utils import get_writer

model = whisper.load_model("small")          # 初回は ~/.cache/whisper に保存
result = model.transcribe(
    "meeting.mp3",
    language="ja",
    beam_size=5,                              # Python からは既定が None（貪欲法）
    fp16=False,                               # CPU なら False（警告を出さない）
    initial_prompt="以下は、社内の定例会議の録音です。",
)

print(result["text"])
for seg in result["segments"]:
    print(f"[{seg['start']:7.2f} → {seg['end']:7.2f}] {seg['text']}")

get_writer("srt", ".")(result, "meeting.mp3")  # meeting.srt を書き出す

コマンドでも動きます。

whisper meeting.mp3 --model small --language Japanese --output_format srt

Python の transcribe() とコマンドでは、ビームサーチの既定が違います。 v20250625 のソースでは、コマンドの --beam_size の既定は 5 ですが、Python の DecodingOptions の beam_size の既定は None（毎回いちばん確からしい語を選ぶ貪欲法）です。コマンドと同じ結果を Python で得るには beam_size=5 を付けます。CPU で fp16 を指定しないと、FP16 is not supported on CPU; using FP32 instead の警告が出ます（ソースの文）。

faster-whisper の完成コード

pip install faster-whisper   # ffmpeg は不要（PyAV が同梱のライブラリで読む）

from faster_whisper import WhisperModel

model = WhisperModel(
    "small",
    device="cpu",            # GPU なら "cuda"
    compute_type="int8",     # GPU なら "float16" か "int8_float16"
    cpu_threads=4,           # 0 なら既定
)

segments, info = model.transcribe(
    "meeting.mp3",
    language="ja",
    beam_size=5,
    vad_filter=True,
    initial_prompt="以下は、社内の定例会議の録音です。",
)
print(info.language, info.language_probability, info.duration, info.duration_after_vad)

lines = []
for seg in segments:                      # ここで初めて文字起こしが進む
    print(f"[{seg.start:7.2f} → {seg.end:7.2f}] {seg.text}")
    lines.append(seg.text.strip())
text = "\n".join(lines)

segments はジェネレータです。 for で回すか list(segments) にするまで、文字起こしは始まりません（README の説明）。info には、言語・その確からしさ・音声の長さ・VAD で無音を除いたあとの長さが入ります。

GPU で動かすには、README によると CUDA 12 用の cuBLAS と cuDNN 9 が必要です（最新の ctranslate2 は CUDA 12・cuDNN 9 のみ対応）。手元の CPU で使える compute_type は int8・int8_float32・float32・int16 の4つで、float16 は含まれていませんでした（ctranslate2.get_supported_compute_types("cpu") の結果）。

既定値の違い（ソースで確認）

速さを比べるときは、beam_size をそろえないと公平になりません。faster-whisper の README にも、beam size・スレッド数・WER（単語の誤り率）をそろえて比べるよう注意があります。

日本語の精度を上げる設定

segments, info = model.transcribe(
    "meeting.mp3",
    language="ja",
    beam_size=5,
    vad_filter=True,
    vad_parameters={"min_silence_duration_ms": 500},
    initial_prompt="以下は、経営戦略推進室の定例会議です。議題は採用、広報、予算です。",
    condition_on_previous_text=False,     # 同じ文のくり返しが出るときに
)

initial_prompt の仕組みと長さの上限

initial_prompt は「この前にこう話していた」という文脈として、最初の区間（30秒）の前に入れる文です。 指示（「句読点を付けて」など）として読まれるのではなく、続きの文として扱われます。そのため、命令文より、望む書き方の見本の文を書くほうが効きます。

長すぎるプロンプトは、超えた分が使われません。用語を並べるなら、出てくる順に短くまとめます。会議の文字起こしを要約する方法は、関連記事「議事録を生成AIで作るプロンプト集｜文字起こし要約と決定事項・ToDo抽出」で扱っています。

字幕ファイル（SRT）で出力する

SRT は「番号・時刻・文・空行」をくり返す字幕の形式です。 時刻は 時:分:秒,ミリ秒 で、ミリ秒の前はカンマです（VTT はピリオド）。

faster-whisper で SRT を書く

faster-whisper には字幕を書き出す関数が無いので、自分で書きます。

def srt_time(sec: float) -> str:
    ms = round(sec * 1000)
    h, ms = divmod(ms, 3_600_000)
    m, ms = divmod(ms, 60_000)
    s, ms = divmod(ms, 1000)
    return f"{h:02d}:{m:02d}:{s:02d},{ms:03d}"


def write_srt(segments, path: str) -> None:
    with open(path, "w", encoding="utf-8") as f:
        for i, seg in enumerate(segments, start=1):
            f.write(f"{i}\n{srt_time(seg.start)} --> {srt_time(seg.end)}\n{seg.text.strip()}\n\n")


segments, info = model.transcribe("meeting.mp3", language="ja", beam_size=5, vad_filter=True)
write_srt(segments, "meeting.srt")

時刻を決めた区間（Segment）を3つ渡して書き出した結果です。1時間を超える時刻も、時の桁で表せていました。

1
00:00:00,000 --> 00:00:02,640
本日の議題は3つです。

2
00:00:02,930 --> 00:00:04,750
まず予算から確認します。

3
01:01:01,500 --> 01:01:03,999
以上です。

同じ区間を openai-whisper の WriteSRT に渡すと、1文字も違わない出力になりました。VTT（WriteVTT）では WEBVTT の行で始まり、1時間未満は 00:02.930 のように時を省いた形でした。

単語ごとの時刻

segments, _ = model.transcribe("meeting.mp3", language="ja", word_timestamps=True)
for seg in segments:
    for w in seg.words:
        print(f"{w.start:6.2f} {w.end:6.2f} {w.word}")

字幕を短く区切りたいときは、単語の時刻で行を分けます。openai-whisper のコマンドでは、--word_timestamps True と --max_line_width を組み合わせます。

長い録音の扱い

Whisper は音声を30秒ずつ区切って処理します。 1時間の録音もそのまま渡せますが、無音・雑音での幻聴、同じ文のくり返し、メモリと時間に気をつけます。

VAD で無音を飛ばす

faster-whisper の vad_filter=True は、同梱の Silero VAD（assets/silero_vad_v6.onnx）で声のある区間だけを文字起こしします。11秒の英語の音声・8秒の無音・同じ音声をつないだ30秒の音声で、区間を検出した結果です。

203秒の講義の音声では、既定で10区間・声のある部分は176.8秒、500ミリ秒にすると57区間・169.1秒でした。どちらも1秒かからずに終わりました。

README には「既定は控えめで、2秒を超える無音だけを除く」とあります。会議のように話者が交代する録音では、500〜1000ミリ秒に下げると区間が文に近くなります。

まとめて速く：BatchedInferencePipeline

from faster_whisper import WhisperModel, BatchedInferencePipeline

model = WhisperModel("turbo", device="cuda", compute_type="float16")
batched = BatchedInferencePipeline(model=model)
segments, info = batched.transcribe("long_meeting.mp3", language="ja", batch_size=16)

VAD で分けた区間を複数まとめて処理します。1.2.1 のソースでは、batch_size の既定は 8、vad_filter の既定は True、without_timestamps の既定は True でした。README の測定では、large-v2 を GPU で動かしたとき 1分03秒が 17秒（batch_size=8）になっています。そのかわりメモリを多く使います（4525MB → 6090MB）。

ファイルを分けて処理する

メモリが足りないとき、途中で止まっても続きから進めたいとき、OpenAI の API の 25MB の上限に合わせるときは、ffmpeg で分けます。

# 16kHz・モノラルの WAV で 60秒ずつに分ける
ffmpeg -i meeting.mp3 -ar 16000 -ac 1 -c:a pcm_s16le -f segment -segment_time 60 part_%03d.wav

# API 向けに小さくする（16kHz・モノラル・32kbps の mp3）
ffmpeg -i meeting.mp3 -ar 16000 -ac 1 -b:a 32k meeting_small.mp3

203秒の音声は、60秒・60秒・60秒・23秒の4ファイルになりました（最初の3つはどれも 60.032秒）。16kHz・モノラル・32kbps の mp3 では 203秒が 813,681バイトで、この割合なら 25MB に約109分入る計算です。

分けたファイルの時刻は0秒から始まるので、SRT にするときは前のファイルまでの長さを足します。

import subprocess
from pathlib import Path

def duration(path: str) -> float:
    out = subprocess.run(
        ["ffprobe", "-v", "error", "-show_entries", "format=duration", "-of", "csv=p=0", path],
        capture_output=True, text=True, check=True,
    )
    return float(out.stdout)

all_segments, offset = [], 0.0
for part in sorted(Path(".").glob("part_*.wav")):
    segs, _ = model.transcribe(str(part), language="ja", beam_size=5, vad_filter=True)
    for s in segs:
        all_segments.append((s.start + offset, s.end + offset, s.text))
    offset += duration(str(part))

ファイルの区切りが文の途中に当たると、その前後の精度が落ちます（OpenAI のドキュメントにも同じ注意があります）。VAD の区間の境目で分けるか、数秒重ねて分けると和らぎます。subprocess の使い方は関連記事「Python subprocessの使い方｜run・Popenの違いと例外処理の実例」で扱っています。

速さの比較（faster-whisper の README）

faster-whisper の README は、13分の音声で各実装を比べています。 測ったのは faster-whisper 1.1.0 と openai/whisper v20240930 です。

small モデル・CPU（Intel Core i7-12700K・8スレッド）

large-v2 モデル・GPU（RTX 3070 Ti 8GB・CUDA 12.4）

どちらも beam size は 5 です。CPU では int8 にすると速く、メモリも減ります。 自分の環境で比べるときは、次のように測ります（実行時間の測り方は関連記事「Python処理時間の計測方法｜perf_counter・timeit比較とコピペ集」で扱っています）。

import time
from faster_whisper import WhisperModel

for ct in ["int8", "float32"]:
    model = WhisperModel("small", device="cpu", compute_type=ct)
    t = time.perf_counter()
    segments, info = model.transcribe("sample.wav", language="ja", beam_size=5)
    text = "".join(s.text for s in segments)        # 回し切るまで測る
    elapsed = time.perf_counter() - t
    print(ct, f"{elapsed:.1f}s", f"RTF={elapsed / info.duration:.2f}")  # 1未満なら実時間より速い

segments を回し切る前に時計を止めると、ほぼ0秒と出てしまいます。

モデルの置き場所とオフライン

Hugging Face に接続できない環境で、キャッシュに無いモデルを local_files_only=True で読もうとすると、次のエラーになりました。

LocalEntryNotFoundError: Cannot find an appropriate cached snapshot folder for the specified revision on the local disk and outgoing traffic has been disabled. To enable repo look-ups and downloads online, pass 'local_files_only=False' as input.

社内のネットワークの中で使うときは、外に出られる PC でモデルのフォルダを取得し、WhisperModel("/models/faster-whisper-small") のようにパスを渡します。

OpenAI の音声 API との使い分け

サーバーを持たずに済ませたいなら、OpenAI の音声 API（/v1/audio/transcriptions）があります。 音声は OpenAI に送られます。

from openai import OpenAI

client = OpenAI()
with open("meeting_small.mp3", "rb") as f:
    tr = client.audio.transcriptions.create(
        model="gpt-transcribe",
        file=f,
        language="ja",
        prompt="社内の定例会議。議題は採用、広報、予算。",
    )
print(tr.text)

# 字幕（SRT）が欲しいとき
with open("meeting_small.mp3", "rb") as f:
    srt = client.audio.transcriptions.create(model="whisper-1", file=f, response_format="srt")

OpenAI の SDK の基本は、関連記事「OpenAI API Python入門｜Responses APIのコピペ集」で扱っています。社外に出してよい情報の決め方は、関連記事「生成AI利用ガイドラインのテンプレート｜入力してはいけない情報の一覧つき」で扱っています。

よくある質問

Q. 同じ文が何度もくり返されます。 A. 無音や雑音の区間で起きやすい現象です。vad_filter=True で無音を飛ばし、condition_on_previous_text=False で前の出力を引き継がないようにします。openai-whisper では word_timestamps=True と hallucination_silence_threshold（秒）で、長い無音のあとの怪しい区間を飛ばせます。

Q. 句読点が付きません。 A. initial_prompt は前の文脈として読まれるので、句読点のある日本語の見本の文を入れる方法があります。効き方は音声とモデルで変わるため、足りないときは文字起こしのあとに LLM で整えます。

Q. openai-whisper と faster-whisper で結果が違います。 A. 既定の beam_size（Python の openai-whisper は貪欲法、faster-whisper は 5）と VAD の有無が違います。そろえてから比べます。

Q. 仮想環境に分けて入れたい。 A. PyTorch など大きなライブラリが入るので、プロジェクトごとに分けると管理しやすくなります。関連記事「Python venvの使い方｜仮想環境の作成・有効化・削除をOS別にコピペ」で扱っています。

Q. 話者を分けられますか。 A. Whisper 自体には話者を分ける機能はありません。ローカルでは話者分離のライブラリと組み合わせ、API なら gpt-4o-transcribe-diarize を使います。

まとめ

• 手元で動かすなら faster-whisper（pip install faster-whisper、ffmpeg 不要）。CPU は compute_type="int8"
• モデルは small〜medium（CPU）、large-v3・turbo（GPU） が目安。turbo は翻訳に使わない
• 日本語は language="ja"・beam_size=5・vad_filter=True・initial_prompt（見本の文、最大223トークン）
• openai-whisper の Python は beam_size の既定が None。コマンド（5）と結果が違う
• SRT は 時:分:秒,ミリ秒。faster-whisper は自分で書く（openai-whisper の WriteSRT と同じ出力にできる）
• 長い録音は VAD・BatchedInferencePipeline・ffmpeg での分割と時刻の足し算
• サーバーを持たないなら OpenAI の音声 API（25MB まで、gpt-transcribe は $0.0045／分）

参考・出典

確認日はいずれも 2026年10月13日です。

• GitHub「openai/whisper」：https://github.com/openai/whisper
• GitHub「SYSTRAN/faster-whisper」：https://github.com/SYSTRAN/faster-whisper
• PyPI「faster-whisper」：https://pypi.org/project/faster-whisper/
• PyPI「openai-whisper」：https://pypi.org/project/openai-whisper/
• OpenAI API ドキュメント「Speech to text」：https://developers.openai.com/api/docs/guides/speech-to-text
• OpenAI API ドキュメント「Pricing」：https://developers.openai.com/api/docs/pricing
• GitHub「openai/openai-python」：https://github.com/openai/openai-python

株式会社RJC ― SI事業・SES事業・AI駆動開発。RJCは一緒に成長を楽しめる会社です。