オフライン・ローカルで文字起こしする方法｜Whisperを使う手順と注意点

そもそも「ローカル文字起こし」とは何が違うのか

一般的なクラウド型の文字起こしサービスは、音声ファイルをインターネット経由で事業者のサーバーに送り、そこで変換して結果を返す仕組みです。精度も速度も安定していて手軽ですが、音声データが自社の外に出ることになります。

一方、ローカル（オフライン）での文字起こしは、音声認識のモデル本体を自分のPCにダウンロードしておき、変換処理もPCの中で完結させます。一度モデルを入れてしまえばネットワークを切った状態でも動かせるため、役員会、人事評価の面談、M&Aや資金調達に関する打ち合わせなど、外に出したくない音声と相性がよい方法です。

ただし「ローカルだから安全」と言い切れるわけではありません。PC自体の紛失や盗難、共有フォルダの設定ミスなど、別のリスクは残ります。どこにデータを置き、誰がアクセスでき、いつ消すのかというルールは、クラウドを使う場合と同じように決めておく必要があります。

Whisperとは何か、なぜローカル文字起こしの定番なのか

Whisperは、OpenAIが公開している音声認識のモデルで、ソースコードとモデルが一般に公開されています。日本語を含む多言語に対応しており、自分のPCにダウンロードして動かせるのが最大の特徴です。同じ名前でクラウドのAPIも提供されていますが、APIを使う場合は音声が外部に送信されるため、オフライン運用をしたいならローカルで動かす形を選びます。

Whisperには処理の重さと精度が異なる複数のサイズのモデルが用意されています。小さいモデルは軽快に動きますが聞き間違いが増えやすく、大きいモデルは精度が上がる代わりに時間とPCの性能を要求します。まずは小さめのモデルで試し、実際の会議音声で精度を見てから大きくしていくのが現実的です。

また、Whisperを高速化した派生の実装（faster-whisperやwhisper.cppなど）や、それらを内部で使うGUIアプリも数多く公開されています。「Whisperを使う」と言っても選択肢は一つではなく、自分の技術レベルに合わせて入り口を選べると考えてください。

どの方法で始めるか：3つの入り口と選び分けの順番

迷ったら、次の順に検討してください。第一に、コマンド操作に不安があるなら、Whisper系のモデルを内蔵したデスクトップアプリ（GUIアプリ）から始めます。音声ファイルをドラッグして変換ボタンを押すだけ、というものが多く、導入の失敗が少ない入り口です。

第二に、変換の設定を細かく調整したい、大量のファイルをまとめて処理したい、という場合はPythonで動かす方法に進みます。コマンドやスクリプトを書ける人が社内に一人いれば、フォルダに入れた音声を順に処理する、といった自動化までできます。「文字起こし AI 自作」で調べている方が最終的に行き着くのもこの形です。

第三に、複数人で使うなら、性能の高いPCを1台「文字起こし用」に決めて社内に置き、そこに音声を持ち込んで処理する運用が管理しやすくなります。各自のノートPCに入れると、モデルのバージョンも保存先もばらばらになり、どこに音声が残っているか分からなくなりがちです。

なお、社内に触れる人がまったくいない場合は、無理にローカルにこだわらず、契約で守る方法（データの取り扱いを明記した契約を結べるクラウドサービスを使う）も選択肢です。どちらが自社に合うかは、扱う音声の機微さと、運用を続けられる人がいるかで判断します。

実際の手順：音声を用意してから議事録になるまで

まず、会議の前に録音方法を決めます。対面ならICレコーダーやスマートフォンの録音アプリ、オンライン会議なら会議ツールのローカル録画・録音機能を使います。このとき、参加者に録音することを事前に伝え、了承を得てください。無断録音はトラブルのもとになりますし、社内規程で扱いを定めている会社もあります。

次に、録音ファイルをPCの決められたフォルダに移します。音声は形式によっては読み込めないことがあるため、一般的なmp3やwav、m4aあたりに揃えておくと扱いやすくなります。長時間の会議は、章ごとに分割しておくと処理も見直しも楽になります。

そのうえで、選んだツールでモデルを指定し、言語を日本語に設定して変換を実行します。処理時間は音声の長さとPCの性能、モデルのサイズで大きく変わるため、初回は10分程度の短い音声で試し、どのくらいかかるかを測っておくと予定が立てられます。

最後に、出力されたテキストを議事録の形に整えます。ここは人の作業です。話者の入れ替わり、決定事項、担当者と期限を拾い、社名や商品名などの固有名詞の誤変換を直します。全文をそのまま議事録にするのではなく、「文字起こしは素材、議事録は成果物」と分けて考えると運用が安定します。

精度を上げるコツと、うまくいかないときの見直しどころ

文字起こしの精度は、モデルよりもまず音の質で決まります。マイクを話者に近づける、エアコンやプロジェクターの音が入る席を避ける、オンライン会議では各自がヘッドセットを使う——この3つだけで結果がはっきり変わります。ツールを高性能なものに替える前に、録音環境を見直してください。

それでも固有名詞が崩れる場合は、ツールによっては用語リストやプロンプトで単語を与えられる機能があります。自社の商品名、部署名、取引先名、社内で使う略語をあらかじめ登録しておくと、同じ誤りの繰り返しを減らせます。対応状況はツールごとに異なるので、公式のドキュメントを確認してください。

処理が極端に遅い、途中で止まるという場合は、モデルのサイズを一段下げる、音声を分割する、GPUを使える実装に切り替える、といった順で試します。事務用のノートPCで大きなモデルを回そうとして止まっているケースは珍しくありません。

話者の区別（誰が話したか）は、Whisker単体では扱えず、別の仕組みを組み合わせる必要があります。少人数の会議なら、録音時に発言者が名乗る運用にしてしまうほうが、技術で解決するより早いことも多いです。

社内で運用するときに決めておきたいルール

ローカルで処理するとしても、音声とテキストというデータが手元に増えることに変わりはありません。最低限、「録音ファイルとテキストの保存場所」「アクセスできる人」「保存期間と削除のタイミング」の3つは文書で決めておきます。とくに人事や労務に関わる面談の録音は、取り扱いに配慮が必要です。

従業員や取引先の音声には個人情報が含まれます。個人情報の取り扱いについては、社内の規程や利用目的の説明との整合を確認し、判断に迷う場面があれば弁護士や社会保険労務士に相談してください。オープンソースのソフトウェアを業務で使う場合のライセンス条件も、配布元の記載を確認しておくと安心です。

また、議事録そのものの位置づけも整理しておきましょう。株主総会や取締役会の議事録は、会社法上の作成・保存の考え方があり、AIの出力をそのまま充てられるものではありません。正式な議事録が必要な場面では、文字起こしはあくまで下書きの素材と考え、体裁や記載事項は司法書士などに確認するのが安全です。

導入の判断に迷ったら、「この音声が外に出たら困るか」「人が確認する時間を確保できるか」の2点から考えてみてください。この2つがはっきりすれば、ローカルにするかクラウドにするか、どこまで自動化するかはおのずと決まります。

なお、文字起こしに使うPCやソフトウェアの費用の経理処理、業務委託で外部に構築を頼む場合の契約と源泉徴収の扱いなどは、状況によって判断が分かれることがあります。税務・労務・法務にまたがる論点が出てきたら、早い段階で税理士や社会保険労務士、弁護士といった専門家に相談し、自社の実情に合わせた運用を確認しておくことをおすすめします。

よくある質問