【AI手帳 No.36】Whisper──音声を一瞬でテキストに変える、OpenAIの最強文字起こしAI
Whisper とは何か
Whisperは、OpenAIが2022年9月に公開したオープンソースの自動音声認識（ASR）モデルだ。68万時間を超える多様な音声データで学習しており、99言語以上の音声を高精度でテキストに変換できる。単なる文字起こしにとどまらず、英語への自動翻訳機能も内蔵している点が大きな特徴。
モデルはtiny・base・small・medium・large・large-v3と複数サイズが存在し、用途や計算リソースに応じて選択できる。large-v3は特に精度が高く、訛り・専門用語・雑音環境下でも安定したパフォーマンスを発揮する。ローカル環境で無料動作するため、プライバシーを確保しつつコスト０で利用できるのも個人ビジネスにとって魅力的な点だ。
2024年にはリアルタイム音声処理に特化した「Whisper Large v3 Turbo」も登場。速度と精度のバランスが大幅に改善され、ライブ文字起こしや対話型アプリへの組み込みが現実的になった。OpenAI APIとして利用する場合は1分あたり$0.006という低単価で、手軽にサービスへ組み込める。
主要機能 3つ
99言語対応の高精度多言語文字起こし
英語・日本語・スペイン語・中国語など99言語以上に対応。特に英語精度はWER（単語誤り率）が人間のプロ文字起こし業者に迫るレベルだ。日本語も方言や早口に対してかなり強く、インタビュー・セミナー・YouTube動画など多様な音声ソースで実用水準を達成している。large-v3モデルを使えば専門用語や固有名詞の誤認識も大幅に減少する。
音声→英語自動翻訳（Speech Translation）
文字起こしだけでなく、非英語音声を直接英語テキストへ翻訳するモードも搭載。たとえば日本語で話した音声を、一発で英語の文字起こしに変換できる。グローバル向けコンテンツ制作・字幕制作・海外向けポッドキャストを考える副業者にとって、翻訳工数を大幅に削減できる強力な機能だ。翻訳精度はGPTによる後処理と組み合わせることでさらに向上する。
完全ローカル動作・オープンソース公開
GitHubで重みとコードが完全公開されており、自身のPCやサーバー上でAPI利用なしに実行できる。音声データを外部に送信しないため、顧客情報を含む音声・機密会議録・クライアントインタビューも安心して処理可能。Pythonの基礎知識さえあればCLI一行で動作する手軽さも魅力。MacWhisper（macOS GUI）などラッパーアプリを使えばノーコードでも利用できる。
似たAIとの違い
こんな使い方が強い
ポッドキャスト・動画の文字起こし
収録した音声・動画を自動でテキスト化。ブログ記事・メルマガ・SNS投稿へ二次展開する素材を一瞬で生成。1時間の収録が数分でテキストになる。
オンライン講座・セミナーの自動字幕
Udemyや自社LMSにアップする動画の字幕ファイル（SRT形式）を自動生成。外注コストをゼロにしながら、受講生のアクセシビリティを向上できる。
クライアントインタビューの議事録作成
ローカル実行なら顧客の声を外部に送信せず処理可能。商談・ヒアリング音声をその場でテキスト化し、GPTに要約・アクションアイテム抽出を依頼する流れが強力。
多言語コンテンツのグローバル展開
日本語音声→英語テキスト変換を一発で実行。海外向けYouTubeチャンネルや英語ブログ記事の下書きを低コストで量産でき、個人ビジネスの販路拡大に直結する。
効果的なプロンプト例
# ① Python CLIでローカル文字起こし（large-v3）
whisper interview.mp3 –model large-v3 –language ja –output_format srt# ② 日本語音声→英語テキストに直接翻訳
whisper seminar.mp4 –model large-v3 –task translate –output_format txt
# ③ OpenAI APIで文字起こし＋GPT要約（Pythonコード概要）
# 1. audio_file を whisper-1 に送信してtranscript取得
# 2. transcript を GPT-4o に渡して以下を指示：
# 「以下はクライアントへのヒアリング録音です。
# ①3行サマリー ②課題 ③次のアクション を
# 箇条書きで抽出してください。」
副業・ビジネスへの活用法
- ▶ 【コンテンツ量産】音声収録→Whisper文字起こし→GPT記事化のパイプラインを構築し、ブログ・note・メルマガを週複数本ペースで発行。1記事あたりの制作時間を90分→15分へ圧縮できる。
- ▶ 【字幕制作サービス】YouTuberや企業向けに動画字幕制作を受託。Whisperで下書きを自動生成し、人力校正で仕上げる。外注コストほぼゼロで粗利90%超の高収益サービスを作れる。
- ▶ 【議事録自動化SaaS】Whisper＋GPT＋Notionを組み合わせたMTG議事録自動化ツールをNotion AIやMakeで構築。社内ツールとして販売・SaaS化するプロダクト副業の足がかりになる。
- ▶ 【語学教材ビジネス】海外ポッドキャストや英語音声をWhisperで書き起こし、GPTで難易度別に編集した語学教材を販売。著作権フリー音声と組み合わせれば低コストで教材を量産できる。
8.5/10
「音声を資産に変える」最強の無料インフラ。ローカル実行でコスト・プライバシーの両問題を解決できる点は他に代替がなく、副業者にとっては導入必須クラスのツールだ。リアルタイム性と話者分離（Speaker Diarization）の弱さが惜しいが、GPTやMakeと組み合わせた自動化パイプラインを一度構築すると、コンテンツ生産性が劇的に変わる。
次回：Gamma
