Faster Whisper
faster-whisper(CTranslate2 による OpenAI Whisper の再実装)を使用したローカル音声認識。OpenAI Whisper と同一精度で 4~6 倍高速に動作します。GPU アクセラレーションを利用すれば、約 20 倍のリアルタイム文字起こし(10 分の音声ファイルを約 30 秒で処理)が可能です。
使用するタイミング
以下のような場合にこのスキルを使用します:
- 音声/動画ファイルの文字起こし — ミーティング、インタビュー、ポッドキャスト、講義、YouTube 動画
- ローカルでの音声テキスト変換 — API コストがかからず、(モデルダウンロード後は)オフラインでも動作
- 複数音声ファイルの一括処理 — 大量のファイルを効率的に処理
- 字幕/キャプションの生成 — 単語レベルのタイムスタンプを利用可能
- 多言語文字起こし — 99 以上の言語を自動検出して対応
トリガーフレーズ: 「この音声を文字起こしして」「音声をテキストに変換」「何て言った?「文字起こしを作成」「音声からテキスト」「この動画に字幕を付けて」
使用すべきでない場合:
- リアルタイム/ストリーミング文字起こし(ストリーミング最適化ツールを使用してください)
- ローカル計算環境がないクラウド専用環境
- API 呼び出しのレイテンシが問題にならない 10 秒未満のファイル
クイックリファレンス
| タスク | コマンド | 備考 |
|---|---|---|
| 基本文字起こし | ./scripts/transcribe audio.mp3 | デフォルトは distil-large-v3 |
| 英語を高速化 | ./scripts/transcribe audio.mp3 --model distil-medium.en --language en | 英語専用、6.8 倍高速 |
| 最大精度 | ./scripts/transcribe audio.mp3 --model large-v3-turbo --beam-size 10 | 低速だが最高品質 |
| 単語タイムスタンプ | ./scripts/transcribe audio.mp3 --word-timestamps | 字幕/キャプション用 |
| JSON 出力 | ./scripts/transcribe audio.mp3 --json -o output.json | プログラムからの利用 |
| 多言語 | ./scripts/transcribe audio.mp3 --model large-v3-turbo | 言語を自動検出 |
| 無音除去 | ./scripts/transcribe audio.mp3 --vad | 音声区間検出 |
モデル選択
ニーズに合ったモデルを選びましょう:
digraph model_selection {
rankdir=LR;
node [shape=box, style=rounded];
start [label="開始", shape=doublecircle];
need_accuracy [label="最大の精度が
必要ですか?", shape=diamond];
multilingual [label="多言語
コンテンツですか?", shape=diamond];
resource_constrained [label="リソース
制約がありますか?", shape=diamond];
large_v3 [label="large-v3
または
large-v3-turbo", style="rounded,filled", fillcolor=lightblue];
large_turbo [label="large-v3-turbo", style="rounded,filled", fillcolor=lightblue];
distil_large [label="distil-large-v3
(デフォルト)", style="rounded,filled", fillcolor=lightgreen];
distil_medium [label="distil-medium.en", style="rounded,filled", fillcolor=lightyellow];
distil_small [label="distil-small.en", style="rounded,filled", fillcolor=lightyellow];
start -> need_accuracy;
need_accuracy -> large_v3 [label="はい"];
need_accuracy -> multilingual [label="いいえ"];
multilingual -> large_turbo [label="はい"];
multilingual -> resource_constrained [label="いいえ (英語)"];
resource_constrained -> distil_small [label="モバイル/エッジ"];
resource_constrained -> distil_medium [label="やや制約あり"];
resource_constrained -> distil_large [label="制約なし"];
}
モデル一覧
標準モデル (フル Whisper)
| モデル | サイズ | 速度 | 精度 | 用途 |
|---|---|---|---|---|
tiny / tiny.en | 39M | 最速 | 基本的 | 簡単な下書き |
base / base.en | 74M | 非常に高速 | 良好 | 一般的な利用 |
small / small.en | 244M | 高速 | より良い | ほとんどのタスク |
medium / medium.en | 769M | 中程度 | 高い | 高品質な文字起こし |
large-v1/v2/v3 | 1.5GB | 低速 | 最高 | 最大精度 |
large-v3-turbo | 809M | 高速 | 優秀 | 高精度におすすめ |
蒸留モデル (約 6 倍高速、WER 約 1% の差)
| モデル | サイズ | 標準比速度 | 精度 | 用途 |
|---|---|---|---|---|
distil-large-v3 | 756M | 約 6.3 倍高速 | 9.7% WER | デフォルト、最良のバランス |
distil-large-v2 | 756M | 約 5.8 倍高速 | 10.1% WER | フォールバック |
distil-medium.en | 394M | 約 6.8 倍高速 | 11.1% WER | 英語のみ、リソース制約あり |
distil-small.en | 166M | 約 5.6 倍高速 | 12.1% WER | モバイル/エッジデバイス |
.en モデルは英語専用で、英語コンテンツに対してわずかに高速かつ高精度です。
セットアップ
Linux / macOS / WSL2
# セットアップスクリプトを実行(venv 作成、依存関係インストール、GPU 自動検出)
./setup.sh
Windows (ネイティブ)
# PowerShell から実行(winget 経由で Python と ffmpeg が存在しない場合に自動インストール)
.\setup.ps1
Windows 用セットアップスクリプトは以下を自動的に行います:
- Python 3.12 が見つからない場合、winget 経由で自動インストール
- ffmpeg が見つからない場合、winget 経由で自動インストール
- NVIDIA GPU を検出し、CUDA 対応 PyTorch をインストール
- venv を作成し、すべての依存関係をインストール
必要なもの:
- Linux/macOS/WSL2: Python 3.10+、ffmpeg
- Windows: なし!セットアップが winget 経由で前提条件を自動インストールします
プラットフォームサポート
| プラットフォーム | アクセラレーション | 速度 | 自動インストール |
|---|---|---|---|
| Windows + NVIDIA GPU | CUDA | 約 20 倍リアルタイム 🚀 | ✅ 完全 |
| Linux + NVIDIA GPU | CUDA | 約 20 倍リアルタイム 🚀 | 手動で前提条件 |
| WSL2 + NVIDIA GPU | CUDA | 約 20 倍リアルタイム 🚀 | 手動で前提条件 |
| macOS Apple Silicon | CPU* | 約 3~5 倍リアルタイム | 手動で前提条件 |
| macOS Intel | CPU | 約 1~2 倍リアルタイム | 手動で前提条件 |
| Windows (GPU なし) | CPU | 約 1 倍リアルタイム | ✅ 完全 |
| Linux (GPU なし) | CPU | 約 1 倍リアルタイム | 手動で前提条件 |
*faster-whisper は CTranslate2 を使用しており、macOS では CPU のみですが、Apple Silicon は実用に十分な速度です。
GPU サポート (重要!)
セットアップスクリプトは GPU を自動検出し、CUDA 対応 PyTorch をインストールします。利用可能な場合は常に GPU を使用してください — CPU での文字起こしは非常に低速です。
| ハードウェア | 速度 | 9 分の動画 |
|---|---|---|
| RTX 3070 (GPU) | 約 20 倍リアルタイム | 約 27 秒 |
| CPU (int8) | 約 0.3 倍リアルタイム | 約 30 分 |
セットアップで GPU が検出されなかった場合は、手動で PyTorch を CUDA 対応でインストールしてください:
Linux/macOS/WSL2:
# CUDA 12.x の場合
uv pip install --python .venv/bin/python torch --index-url https://download.pytorch.org/whl/cu121
# CUDA 11.x の場合
uv pip install --python .venv/bin/python torch --index-url https://download.pytorch.org/whl/cu118
Windows:
# CUDA 12.x の場合
.venv\Scripts\pip install torch --index-url https://download.pytorch.org/whl/cu121
# CUDA 11.x の場合
.venv\Scripts\pip install torch --index-url https://download.pytorch.org/whl/cu118
- Windows ユーザー: NVIDIA ドライバー がインストールされていることを確認してください
- WSL2 ユーザー: Windows に NVIDIA CUDA ドライバー for WSL がインストールされていることを確認してください
使用方法
Linux/macOS/WSL2:
# 基本的な文字起こし
./scripts/transcribe audio.mp3
# 特定のモデルを使用
./scripts/transcribe audio.wav --model large-v3-turbo
# 単語タイムスタンプ付き
./scripts/transcribe audio.mp3 --word-timestamps
# 言語を指定(自動検出より高速)
./scripts/transcribe audio.mp3 --language en
# JSON 出力
./scripts/transcribe audio.mp3 --json
Windows (cmd または PowerShell):
# 基本的な文字起こし
.\scripts\transcribe.cmd audio.mp3
# 特定のモデルを使用
.\scripts\transcribe.cmd audio.wav --model large-v3-turbo
# 単語タイムスタンプ付き(PowerShell ネイティブ構文も使用可)
.\scripts\transcribe.ps1 audio.mp3 -WordTimestamps
# JSON 出力
.\scripts\transcribe.cmd audio.mp3 --json
オプション
--model, -m モデル名 (デフォルト: distil-large-v3)
--language, -l 言語コード (例: en、es、fr - 省略時は自動検出)
--word-timestamps 単語レベルのタイムスタンプを含める
--beam-size ビームサーチサイズ (デフォルト: 5、大きいほど正確だが低速)
--vad 音声区間検出を有効にする (無音を除去)
--json, -j JSON 形式で出力
--output, -o 文字起こしをファイルに保存
--device cpu または cuda (自動検出)
--compute-type int8、float16、float32 (デフォルト: 自動最適化)
--quiet, -q 進行状況メッセージを抑制
例
# YouTube 音声の文字起こし(yt-dlp で抽出後)
yt-dlp -x --audio-format mp3 <URL> -o audio.mp3
./scripts/transcribe audio.mp3
# JSON 出力での一括文字起こし
for file in *.mp3; do
./scripts/transcribe "$file" --json > "${file%.mp3}.json"
done
# ビームサイズを大きくした高精度文字起こし
./scripts/transcribe audio.mp3 \
--model large-v3-turbo --beam-size 10 --word-timestamps
# 高速な英語専用文字起こし
./scripts/transcribe audio.mp3 \
--model distil-medium.en --language en
# VAD を使用した文字起こし(無音除去)
./scripts/transcribe audio.mp3 --vad
よくある間違い
| 間違い | 問題 | 解決策 |
|---|---|---|
| GPU が利用可能なのに CPU を使用 | 文字起こしが 10~20 倍低速 | Windows/Linux で nvidia-smi を確認; CUDA インストールを確認 |
| 言語を指定しない | 既知のコンテンツで自動検出に時間を浪費 | 言語がわかっている場合は --language en を使用 |
| 間違ったモデルを使用 | 不要な低速化または精度低下 | デフォルトの distil-large-v3 で十分; 精度に問題がある場合のみ large-v3 を使用 |
| 蒸留モデルを無視 | 1% 未満の精度低下で 6 倍の高速化を逃す | 標準モデルの前に distil-large-v3 を試す |
| ffmpeg の欠落 | セットアップ失敗または音声が処理できない | セットアップスクリプトが処理; 手動インストールの場合は個別に ffmpeg が必要 |
| メモリ不足エラー | モデルが利用可能な VRAM/RAM に対して大きすぎる | より小さいモデルまたは --compute-type int8 を使用 |
| ビームサイズの過剰設計 | ビームサイズ 5~7 を超えると効果が薄い | デフォルトの 5 で十分; 重要な文字起こしでは 10 を試す |
パフォーマンスに関する注意事項
- 初回実行時: モデルを
~/.cache/huggingface/にダウンロード(1 回限り) - GPU: CUDA が利用可能な場合に自動的に使用(約 10~20 倍高速)
- 量子化: CPU では INT8 を使用し、精度低下を最小限に抑えて約 4 倍の高速化
- メモリ:
distil-large-v3: 約 2GB RAM / 約 1GB VRAMlarge-v3-turbo: 約 4GB RAM / 約 2GB VRAMtiny/base: <1GB RAM
なぜ faster-whisper なのか?
- 速度: OpenAI のオリジナル Whisper より約 4~6 倍高速
- 精度: 同一(同じモデル重みを使用)
- 効率性: 量子化によるメモリ使用量の低減
- プロダクション対応: 安定した C++ バックエンド(CTranslate2)
- 蒸留モデル: 1% 未満の精度低下で約 6 倍高速
トラブルシューティング
「CUDA が利用できません — CPU を使用します」: CUDA 対応 PyTorch をインストールしてください(上記の GPU サポートを参照)
セットアップが失敗する: Python 3.10+ がインストールされていることを確認してください
メモリ不足: より小さいモデルまたは --compute-type int8 を使用してください
CPU で低速: 想定内です — 実用的な文字起こしには GPU を使用してください
モデルダウンロードに失敗する: Linux/macOS では ~/.cache/huggingface/、Windows では %USERPROFILE%\.cache\huggingface\ の権限を確認してください
Windows 固有
「winget が見つかりません」: Microsoft Store から App Installer をインストールするか、Python/ffmpeg を手動でインストールしてください
「インストール後も Python が PATH にありません」: ターミナルを閉じて再度開き、setup.ps1 を再実行してください
PowerShell 実行ポリシーエラー: Set-ExecutionPolicy -Scope CurrentUser -ExecutionPolicy RemoteSigned を実行するか、代わりに transcribe.cmd を使用してください
GPU があるのに nvidia-smi が見つからない: NVIDIA ドライバー をインストールしてください — Game Ready または Studio ドライバーには nvidia-smi が含まれています