メインコンテンツへスキップ
見出し画像

文字起こしアプリはAIに頼めば作れる時代に。WhisperとParakeet、今のおすすめはどっち?

    無料で公開されているオープンな音声認識モデルを使えば、今は誰でも文字起こしアプリを作れます。しかも、プログラムを自分で書く必要はなく、AIに依頼すれば形になります。私が使ってきた中で一番信頼できるのはOpenAIの「Whisper」ですが、最近のおすすめはNVIDIAの「Parakeet」です。この記事では、2つのモデルの違いと、アプリに組み込むときに知っておくと役立つポイントをまとめます。

    文字起こしアプリは「AIに頼んで作る」時代になった

    少し前まで、音声認識を自分のアプリに入れるのは専門家の仕事でした。今は状況が大きく変わっています。

    • 高精度な音声認識モデルが無料で公開されている

    • Macやパソコンの上で、ネットにつながずに動かせる

    • アプリのコードはAIに依頼すれば書いてもらえる

    つまり、私たちが考えるべきことは「どう実装するか」よりも「どのモデルを選ぶか」になりました。ここからは、その選び方を中心に書いていきます。

    定番は「Whisper」。信頼性は今も一番

    Whisperは、OpenAIが2022年に公開した音声認識モデルです。日本語を含む多くの言語に対応していて、雑音の多い音声にも比較的強いのが特長です。コードとモデルはMITライセンスで公開されていて、個人アプリでも使いやすい条件です。私の感覚では、オープンモデルの中で一番信頼性が高いのは今もWhisperだと思います。

    ただし、気になる点が2つあります。

    公開から時間がたっている

    最初の公開は2022年で、2023年に精度を上げた「large-v3」、2024年に高速化した「turbo」が出ました。それでも基本の設計は数年前のもので、その後に出た新しいモデルと比べると、速さや軽さの面で見劣りする場面が出てきました。

    一番大きいモデルは重い

    Whisperには大きさの違うモデルがあり、精度と重さのバランスで選びます。公式の資料では次のとおりです(相対速度は英語音声・A100での目安)。

    • tiny:3,900万パラメータ、必要メモリ約1GB

    • small:2億4,400万パラメータ、約2GB

    • medium:7億6,900万パラメータ、約5GB

    • large:15億5,000万パラメータ、約10GB

    • turbo:8億900万パラメータ、約6GB(largeの約8倍速い)

    日本語をきれいに起こしたいなら大きいモデルを選びたくなりますが、largeはスマホに載せるには重く、処理にも時間がかかります。


    画像

    最近のおすすめは「Parakeet」。軽くて速い

    そこで最近私がおすすめしているのが、NVIDIAの「Parakeet」です。日本語向けには「parakeet-tdt_ctc-0.6b-ja」というモデルが公開されています。

    • 大きさは約6億パラメータで、Whisperのlargeの半分以下

    • 日本語の音声コーパス「ReazonSpeech」の3万5,000時間以上で学習

    • 句読点を付けた状態で書き起こしてくれる

    • ライセンスはCC-BY-4.0(クレジット表記をすれば商用でも使える)

    モデルカードに載っている評価では、日本語の読み上げ音声(JSUT)で文字の誤り率(CER)が6.4%、TEDxの日本語講演で9.0%となっています。

    使ってみて一番うれしいのは速さです。軽量なので、話した言葉をリアルタイムに近い速さで文字にできます。録音が終わってからまとめて処理するだけでなく、話しながら文字が出てくるようなアプリも作りやすくなりました。

    注意点として、NVIDIAが出している多言語版のParakeet(v3など)は主にヨーロッパの言語向けです。日本語を扱うときは、日本語専用の「-ja」モデルを選んでください。

    アプリに組み込むときに知っておきたいこと

    ここからは、実際にアプリにする段階で役立つポイントです。AIに依頼するときも、この内容を伝えておくと話が早くなります。

    音声は「16kHz・モノラル」にそろえる

    ParakeetもWhisperも、16kHz・モノラルの音声を前提にしています。iPhoneやMacの録音は44.1kHzや48kHzのことが多いので、モデルに渡す前に変換が必要です。ここが抜けると、精度が落ちたりエラーになったりします。

    長い音声は区切って処理する

    1時間を超えるような長い録音を一度に渡すと、メモリが足りなくなったり、一部しか書き起こされなかったりします。無音の部分(VAD=音声区間検出)で区切り、数十秒ごとに処理してからつなげるのが基本です。区切りの前後を少し重ねておくと、文の途中で切れたときの取りこぼしを減らせます。

    無音や雑音での「作り話」に注意

    Whisperは、無音や雑音しかない区間で、実際には話していない文章を出力してしまうことがあります。無音区間をあらかじめ取り除いておくと、この問題をかなり減らせます。

    ライセンスは最初に確認する

    前回の記事でも書きましたが、オープンなモデルでも「商用利用不可」のものがあります。WhisperはMIT、ParakeetはCC-BY-4.0なので、どちらも個人アプリで使いやすい条件です。CC-BY-4.0はクレジット表記が条件なので、アプリの「このアプリについて」画面などにモデル名と提供元を書いておきましょう。


    画像

    Appleの標準機能という選択肢も

    iPhoneやMacのアプリなら、Appleが用意している音声認識機能を使う手もあります。iOS 26とmacOS 26では新しい「SpeechAnalyzer」が加わり、端末内で高速に文字起こしができるようになりました。モデルを自分でアプリに同梱しなくてよいので、アプリのサイズを小さくできるのが利点です。一方で、対応する言語や細かい調整はAppleの仕様に従うことになります。

    どれを選ぶかの目安は、次のように考えるとわかりやすいと思います。

    • とにかく信頼性を重視したい → Whisper(largeやturbo)

    • 軽さと速さ、リアルタイム性を重視したい → Parakeet(日本語は-jaモデル)

    • アプリを小さく保ち、Apple製品だけで完結したい → Appleの標準機能

    まとめ

    • 文字起こしアプリは、無料のオープンモデルとAIへの依頼で誰でも作れるようになった

    • 信頼性で選ぶならWhisper。ただし公開から時間がたち、大きいモデルは重い

    • 最近のおすすめはNVIDIAのParakeet。軽量で性能もよく、リアルタイムに近い文字起こしもできる

    • 組み込むときは「16kHz・モノラル」「長い音声は区切る」「ライセンス確認」の3点を押さえる

    これから文字起こしアプリを作ってみたい方は、まずParakeetの日本語モデルから試してみてください。

    この記事は公開から30日後に「気になるAI情報のメンバーシップ」(月500円・初月無料)の特典になります。過去記事はメンバーシップでまとめて読めます。

    関連記事

    顔入れ替えアプリを断念した理由は、技術ではなく「モデルのライセンス」だった

    https://note.com/right_ixia336/n/n873c5a829cfb

    多言語アプリの申請作業をClaudeに任せたら、自分の作業時間がほぼゼロになった

    https://note.com/right_ixia336/n/n7dc0b2a5e1f2

    あなたへのおすすめ