ローカル文字起こし

どちらも完全無料です。あなたのパソコンの中で動くため、何時間の音声を処理してもAPI料金は1円もかかりません。

この章でご紹介してきた文字起こしAPIは、どれも音声を送るたびに料金がかかります。1時間あたり数円〜百数十円ほどですから決して高くはありませんが、毎日何時間もの動画を扱うなら、手元で動かす選択肢を知っておく価値があります。

whisper.cppは、OpenAIのWhisperを普通のパソコンで軽快に動かせるように書き直したソフトです。MITライセンスで完全無料、MacでもWindowsでも動き、ネット接続すら要りません。GitHubのスター数は5万を超え、更新も活発です。

そして2026年に流れが変わりました。日本語の文字起こしでは、Whisperよりも中国Alibaba社のQwen3-ASRの方が精度が高いという検証結果が出てきたのです。日本語音声で9つのモデルを比べた2026年の検証では、Qwen3-ASR-1.7Bが誤り率0.185で首位、Whisperの最新版（0.218）を上回りました。こちらもApache 2.0ライセンスの無料公開モデルで、手元で動かせます。

「無料・無制限・データが外に出ない」という3点が、評判の中心です。会議の録音や、お客様が写り込んだ動画のように、外部のAPIへ送りたくない音声を扱う場面で、この選択肢の価値がはっきりします。日本語の解説記事も揃っており、ZennやQiitaには実際に速度を計測した比較記事もあります。

一方で、注意すべき点が3つあります。

1つ目は速度です。ある日本語の検証では、48秒の音声にwhisper.cppがCPUだけで7分以上かかった一方、グラフィックボードを使えば5秒未満で終わっています。快適に使うにはGPU搭載のパソコンが要る、と考えてください。

2つ目は、よく名前が挙がるモデルの中に、日本語に対応していないものがあることです。海外の「おすすめオープンソース文字起こし」記事で頻繁に登場するNVIDIAのParakeetやMistralのVoxtralは、公式の対応言語に日本語が入っていません。英語圏の情報をそのまま信じないでください。

3つ目は、開発が止まっているものを選ばないことです。高速版として有名なfaster-whisperは、2025年11月から10か月ほど更新が止まっていました。2026年9月末から細かな修正は再開しましたが、新しい版はまだ出ていません（最後の版は2025年10月）。日本語特化として有名なkotoba-whisperも2024年で止まっており、長文や専門的な内容で取りこぼしが出るという検証報告があります。今から始めるなら、更新が続いているwhisper.cppか、精度で上回るQwen3-ASRの2択が無難です。