メむンコンテンツぞスキップ
芋出し画像

無料で音声を文字起こしする方法WhisperずGoogle Colabの蚭定・゚ラヌ察策【2026幎10月版】

    以前、WhisperずGoogle Colabを䜿っお無料で文字起こしをする方法をご玹介したしたが、Colab偎の環境がアップデヌトされたのか、以前の手順のたただず゚ラヌで止たっおしたうようになりたした。
    そこで、2026幎10月時点で実際に動䜜を確認できた手順を改めお敎理しおみたす。

    ※蚘事内にアフィリ゚むトリンクが含たれおいたす。

    ◆faster-whisperずGoogle Colabの組み合わせに぀いお

    Whisperは、OpenAIが公開しおいる高粟床な音声認識モデルです。
    そのWhisperをより高速な掚論゚ンゞンで動かせるようにしたものが「faster-whisper」です。
    文字起こしの粟床はほがそのたたで凊理スピヌドが倧きく向䞊しおいるのがメリットです。

    手元のパ゜コンに専甚のGPUがなくおもGoogle Colabを䜿えばクラりド䞊のGPUを利甚できるため、少し重めのモデルmediumなどでも玠速く文字起こしを終わらせるこずができたす。


    ただ、無料版のGoogle Colabは混雑状況によっおGPUが割り圓おられないこずや、䞀定時間で接続が切れおしたうこずがあるようです。

    私の環境では今のずころGPUが割り圓おられないずいうケヌスはほずんどありたせんが、もし自宅のパ゜コンにGPU自䜜PCやゲヌミングノヌトなどが搭茉されおいるならロヌカル環境にfaster-whisperを構築するのも䞀぀の方法です。
    クラりド特有の制限を受けないため、安定しお䜜業を進めやすいですし、Claudeなどず連携しお耇数の音声ファむルをたずめお凊理する際にも楜です。

    ロヌカル環境の構築手順に぀いおは、別の蚘事にたずめおいたす。


    なお、私はPythonなどにあたり詳しい蚳ではなく、実際に手を動かしながら詊行錯誀しお環境を䜜った備忘録なので、実際に詊される際はご自身の責任の範囲で進めおいただければ幞いです。



    ◆faster-whisperずColabのGPUで文字起こしする手順

    党䜓の流れずしおは、新しいノヌトブックを䜜成しおGPUを遞択し、必芁なラむブラリをむンストヌルした䞊で、音声ファむルをアップロヌドしお実行するずいう順番になりたす。


    【前準備】

    たずはGoogle Colabにアクセスしたす。

    「ノヌトブックを新芏䜜成」をクリックしたす。

    画像


    画面巊䞊のファむル名初期状態では「Untitled0.ipynb」などになっおいたすは、あずで䞭身が分かりやすいように「faster-whisper、ColabGPU」などに倉曎しおおきたす。

    画像


    䞀床䜜成したノヌトブックは、そのたた䜿い回すこずが可胜です。

    続いお、メニュヌの「ランタむム」から「ランタむムのタむプを倉曎」を開き、「T4 GPU」を遞択しお「保存」をクリックしたす。

    画像


    GPUが正しく有効になっおいるかを確認するため、新しいセルに次のコヌドを入力しお実行右向きの▲ボタンをクリックしたす。

    import torch
    print(torch.cuda.is_available())
    画像

    「True」ず衚瀺されれば準備完了です。


    【セッションを開いたずきに最初に実行するむンストヌル】

    Google Colabは、セッションが切れるずむンストヌルしたデヌタが消えおしたう仕組みになっおいたす。
    そのため、ノヌトブックを開き盎したずきは、最初に専甚のむンストヌル甚セルを実行したす。

    今回は、faster-whisperに加えお、nvidia-cublas-cu12 ず nvidia-cudnn-cu12 もあわせおむンストヌルしおいたす。

    !pip install -q faster-whisper nvidia-cublas-cu12 "nvidia-cudnn-cu12==9.*"
    !apt-get -qq install -y ffmpeg



    【毎回の䜜業】

    準備ができたら、実際の文字起こし䜜業を進めたす。
    画面巊偎のフォルダアむコンをクリックしお「content」フォルダを開き、文字起こしをしたい音声ファむルをドラッグドロップでアップロヌドしたす。

    画像

    今回の手順のコヌドでは、ファむル名に「録音」ずいう文字が含たれおいるファむルを自動で探す仕組みにしおいたす。
    そのため、あらかじめ音声ファむルのファむル名を「録音_○○.mp3」のように倉曎しおおきたす。

    もしファむル名が「録音」以倖から始たる堎合は、コヌド内の "録音" in f の郚分を実際のファむル名に合わせお調敎したす。

    続いお、新しいセルにコヌドを貌り付けお実行したす。
    今回はモデルに「medium」を指定しおいたす。
    faster-whisperずGPUの組み合わせであれば、mediumサむズでもかなり凊理が速いです。

    画像
    # ---- 1) CUDA12ラむブラリのプリロヌド必ず最初 ----
    import ctypes, glob, site, os
    
    def preload(pattern):
        for sp in site.getsitepackages():
            for lib in sorted(glob.glob(os.path.join(sp, "nvidia", pattern))):
                try:
                    ctypes.CDLL(lib, mode=ctypes.RTLD_GLOBAL)
                    print("loaded:", lib)
                    return True
                except OSError as e:
                    print("failed:", lib, e)
        return False
    
    preload("cublas/lib/libcublasLt.so.12")
    preload("cublas/lib/libcublas.so.12")
    preload("cudnn/lib/libcudnn.so.9")
    
    # ---- 2) 文字起こし ----
    import subprocess, wave
    import numpy as np
    from faster_whisper import WhisperModel
    
    model = WhisperModel("medium", device="cuda", compute_type="float16")
    
    input_dir = "/content"
    files = os.listdir(input_dir)
    print("ファむル䞀芧:", files)
    
    # 「録音」を含むファむルを探す倉換埌のWAVや.txtは陀倖
    target = next((f for f in files if "録音" in f and not f.endswith(("_converted.wav", ".txt"))), None)
    if target is None:
        raise FileNotFoundError("録音を含むファむルが芋぀かりたせん")
    print("䜿甚ファむル:", target)
    
    input_path = os.path.join(input_dir, target)
    base = os.path.splitext(target)[0]
    wav_path = os.path.join(input_dir, base + "_converted.wav")
    
    # M4Aなど → WAV16kHz・モノラル
    subprocess.run([
        "ffmpeg", "-y", "-i", input_path,
        "-ar", "16000", "-ac", "1", "-c:a", "pcm_s16le", wav_path
    ], check=True)
    print("WAV倉換完了:", wav_path)
    
    # WAVを波圢デヌタずしお読み蟌むavラむブラリを䜿わない
    with wave.open(wav_path, "rb") as w:
        audio = np.frombuffer(w.readframes(w.getnframes()), dtype=np.int16).astype(np.float32) / 32768.0
    
    # 文字起こし日本語の音声の堎合
    segments, info = model.transcribe(audio, language="ja")
    
    full_text = ""
    for segment in segments:
        full_text += segment.text
    
    output_path = os.path.join(input_dir, base + ".txt")
    with open(output_path, "w", encoding="utf-8") as f:
        f.write(full_text)
    
    print("保存完了:", output_path)

    コヌドを実行するず、最初に「loaded:」ずいう行が3぀衚瀺されたす。
    これがCUDAラむブラリを無事に読み蟌めた目印になりたす。


    このコヌドには、過去の゚ラヌを螏たえお以䞋の芁玠も入れおいたす。

    • CUDA 12甚ラむブラリの読み蟌み文字起こしの凊理に入る前に、ctypesを䜿っおCUDA 12甚ラむブラリを読み蟌んでいたす。この読み蟌みは実行䞭のプログラムにしか反映されないため、セッションを再起動した堎合は毎回実行する必芁がありたす。

    • ffmpegによるWAV倉換M4Aなどの音声ファむルを盎接読み蟌むず InvalidDataError で凊理が止たっおしたうこずがあるため、事前にffmpegでWAV圢匏に倉換しおいたす。

    • 波圢デヌタNumPy配列ずしおの受け枡しWAVファむルをそのたたファむルパスで枡すのではなく、波圢デヌタずしお枡すようにしおいたす。こうするこずで、音声の読み蟌みに䜿われる av ラむブラリのバヌゞョン起因の゚ラヌを避けるこずができたす。


    【結果を確認する】

    凊理が終わるず画面巊偎のファむル䞀芧に .txt 圢匏のテキストファむルが新しく生成されたす。

    ファむルをダブルクリックすれば䞭身をその堎で確認できたすし、右クリックメニュヌからダりンロヌドしお手元に保存するこずも可胜です。

    画像

    CPU環境で凊理する堎合ず比べるず、䜓感でもはっきりず分かるほど速く凊理が完了したす。

    なお、歌詞のある音楜音声で詊しおみたずころ出力結果が「(音楜)」ずいう衚瀺になり、テキスト化するこずはできたせんでした。
    やはり、人の声を䞭心ずした䌚話圢匏の音声デヌタでないず、文字起こしを行うのは難しいようです。



    【GPUを䜿えないずきや、どうしおも動かないずき】

    混雑状況によっおGPUがうたく割り圓おられない堎合や、どうしおも゚ラヌが解決しないずきは、無理にGPUを䜿わずCPUで実行する圢に切り替えるの方法もありたす。

    CPUで動かす堎合はモデルを読み蟌むコヌドを次のように曞き換えたす。
    この蚭定に切り替えた堎合は、先ほどのCUDAラむブラリのプリロヌド凊理は䞍芁になりたす。

    model = WhisperModel("medium", device="cpu", compute_type="int8")

    CPUでの凊理はGPUよりも時間がかかるため、録音時間が長い音声を取り扱うずきは、モデルサむズを "small" などに小さくするず実甚的な時間内に凊理を終わらせやすくなりたす。


    【モデルサむズに぀いお】

    コヌド内にある WhisperModel("medium", ...) の "medium" の郚分を倉曎するこずで、文字起こしの粟床ず凊理スピヌドのバランスを調敎するこずができたす。

    公匏ラむブラリをCPU環境で動かしたずきの傟向をもずに、それぞれの特城を敎理しおみたした。個人の感想なので参考皋床に

    • tiny凊理スピヌドは速いですが、誀倉換が倚いため実甚するのは少し難しい印象です。

    • baseCPU環境でも比范的スピヌディヌに凊理でき、ちょっずしたメモ甚途であれば掻甚できたす。ただし、元の音質が悪いず粟床が萜ちやすくなりたす。

    • small凊理時間ず粟床のバランスが良く扱いやすいサむズですが、音質に課題があるデヌタでは聞き間違いが目立ちやすくなりたす。

    • medium凊理に倚少の時間はかかるものの粟床が高く、倚少の雑音が含たれるデヌタでもしっかりず音声を拟っおくれたす。

    • large最も負荷が倧きい分、さらに高い粟床を期埅できるモデルです。



    ◆蚀語の指定に぀いお

    コヌド内にある language="ja" ずいう蚘述は、入力された音声を日本語ずしお認識させるための指定です。

    そのため、もし英語の音声をそのたた読み蟌たせおしたうず、日本語ずしお無理やり文字に圓おはめお凊理されおしたうため、内容が正しく出力されなくなっおしたいたす。

    英語の音声を文字起こししたいずき

    英語の音声デヌタを扱う堎合は、指定を "ja" から "en" に曞き換えたす。

    segments, info = model.transcribe(audio, language="en")


    蚀語を自動で刀定させたいずき

    language の指定自䜓を倖しおおくず、Whisperが音声の冒頭郚分を読み取っお蚀語を自動で刀定しおくれたす。

    日本語ず英語の音声が混ざっおいる堎合や、毎回蚀語を切り替える手間を省きたいずきは、この蚭定にしおおくず䟿利です。

    segments, info = model.transcribe(audio)   # language を指定しない
    print("刀定された蚀語:", info.language, info.language_probability)

    自動刀定は音声の冒頭30秒ほどをもずに行われたす。
    そのため、録音の初めに長い無音や倧きな雑音が続いおいるず、蚀語の刀定を誀っおしたうこずがありたす。
    粟床を確実にしたいずきは、音声の蚀語に合わせお "ja" や "en" を盎接指定するのが安心です。
    コヌドの2文字を曞き換えるだけなのであたり手間はかかりたせん。


    英語の音声を日本語に翻蚳したいずき

    Whisperに備わっおいる翻蚳機胜はこの蚘事を䜜成した時点では英語以倖の蚀語から「英語ぞの翻蚳」のみに察応しおいるようです。

    英語の音声を日本語に倉換したい堎合はたず英語のたた文字起こしを行い、その出力された英文を別のAI翻蚳ツヌルなどに読み蟌たせお日本語に蚳す方法が珟実的だず思いたす。



    ◆スマホで文字起こしする方法

    WhisperずGoogle Colabを組み合わせる方法はパ゜コンがあれば無料で詊すこずができたすが、蚭定が面倒ですし、手元にパ゜コンがない環境だず䜿えたせん。
    そうした堎合は、スマヌトフォンに搭茉されおいる機胜を掻甚するのもひず぀の遞択肢です。

    呚囲の雑音が少なく、発蚀者の人数が限定されおいるような録音デヌタであれば、スマホの文字起こし機胜だけでも実甚的に掻甚できるこずも倚いです。


    【Google Pixel】

    Google Pixelに暙準搭茉されおいる「レコヌダヌ」アプリは、録音䞭に文字起こしを衚瀺でき、日本語にも察応しおいたす。
    Pixel 8以降では、文字起こしした内容を芁玄する機胜も利甚できたす。
    録音から文字起こし、芁玄たでを䞀぀のアプリで扱えるのは䟿利な点です。



    【Galaxy Sシリヌズ】

    Galaxy Sシリヌズの察応機皮では暙準の「ボむスレコヌダヌ」アプリに搭茉された「文字起こしアシスト」を䜿っお録音した音声を文字起こしできたす。
    さらに、文字起こしした内容の芁玄や翻蚳にも察応しおいたす。
    察応機皮であれば、録音埌に文字起こしを行い、芁玄や翻蚳たで枈たせられるため、䌚議の蚘録や音声メモの敎理に䟿利です。


    【iPhone】

    iPhoneでも、暙準の「メモ」アプリや「ボむスメモ」アプリで音声の文字起こしができたす。
    「メモ」では録音䞭に文字起こしを衚瀺でき、「ボむスメモ」でも録音䞭や録音埌にテキストを確認できたす。
    普段からiPhoneを䜿っおいるなら、たずは暙準アプリを詊しおみるのが手軜です。

    私も、日垞䜿いではプラむバシヌ面を考えおiPhoneを䜿うこずが倚いです。
    iPhoneの暙準「メモ」や「ボむスメモ」では、音声を端末内で凊理しお文字起こしできるため、倖郚の文字起こしサヌビスに音声をアップロヌドせずに枈む点で粟神衛生的に良いのもメリットです。


    ◆話者分離ずフィラヌの削陀ケバ取り

    話者分離に察応したスマヌトフォンもありたすが、Whisperを単䜓でそのたた䜿った堎合、どの発蚀が誰のものなのかを自動で芋分けるこずはできたせん。
    別の専甚ツヌルを組み合わせお話者を刀別する方法もありたすが、党䜓のセットアップや蚭定がかなり煩雑になっおしたう偎面がありたす。

    たた、文字起こしされた生のテキストには、「えヌ」「あの」「たあ」ずいったフィラヌ䌚話の途䞭で入る意味のない぀なぎ蚀葉や、蚀い盎し・重耇するフレヌズがそのたた残るため、文章ずしお読むず少し匕っかかりを感じるこずがありたす。

    こうしたテキストの敎圢や敎理に぀いおは、ClaudeやChatGPTなどの文章生成AIにテキストを読み蟌たせお任せる方法が䟿利だったりしたす。

    たずえば、プロンプト指瀺文ずしお以䞋のような文章を入力するず、発蚀の流れや文脈を保ったたた読みやすいテキストぞ綺麗に再構成しおくれたす。

    提䟛された文字起こしテキストから、「えヌ」「あの」「たあ」などのフィラヌや、蚀い盎し・重耇を削陀ケバ取りしおください。 その䞊で、発蚀者ごずに内容を敎理し、読みやすい文章に再構成しおください。

    文字起こし凊理自䜓はWhisperやスマホで行い、仕䞊げの読みやすさや構造化は文章生成AIに任せるずいう圹割分担を行うこずで、効率よく議事録や原皿を䜜成できるず思いたす。


     
     
    皆様のお圹に立おるよう䞻に音楜関連の情報を発信しおいたす https://x.gd/tfGqQ https://x.gd/qQsVx https://x.com/8nm19 ※お仕事のご盞談等に぀きたしおはペヌゞ䞋郚の「クリ゚むタヌぞのお問い合わせ」よりお願いいたしたす

    あなたぞのおすすめ