26/05/12日記 WindowsでWSL2 使って faster-whisper を構築し、PowerShell から一発起動できるようにする

はじめに

会議や授業の録音とかをスムーズに文字起こしできるよう、faster-whisper を WSL2 上に構築して PowerShell からエイリアスのように起動できる環境を作りました。

faster-whisper は OpenAI の Whisper を CTranslate2 で再実装したもので、同じ精度のまま最大 4 倍の高速化とメモリ使用量の削減を実現しています。授業 1 コマ (90 分) を 10〜15 分で処理できるのは、この高速化があってこそです。

グラボはRTX5060Tiつかってます。

最新の RTX 50 シリーズ (Blackwell, sm_120) は ML 系ライブラリのサポートがまだ過渡期で、地味につまずきポイントが多かったので、寄り道も含めて全部記録しておきます。

ゴール

PowerShell で

f-whisper .\授業01.m4a

と打つだけで、WSL 内の faster-whisper (large-v3 モデル)が GPU で書き起こしを実行し、同じフォルダに .txt / .timestamp.txt / .srt の 3 形式で結果を出力する。

環境

• Windows 11
• NVIDIA RTX 5060 Ti 16GB (Blackwell, sm_120)
• WSL2 + Ubuntu 26.04
• Python 3.12 (uv で管理)
• faster-whisper 最新版

---

寄り道 1: WSL2 ネイティブか Windows ネイティブか

最初に悩んだのがここでした。最終的には、WSL2使うことにしました。
理由:

• faster-whisper は GPU 推論に cuDNN を要求するが、Windows ネイティブだと cudnn_ops_infer64_8.dll の PATH 問題でハマる人が多い
• WSL2 なら Windows 側のドライバを共有して、WSL 内部には CUDA Toolkit を入れなくていい
• pip 経由で nvidia-cublas-cu12 nvidia-cudnn-cu12 を入れる方式が公式推奨で、Linux の方が情報が多い
• 50 シリーズ (Blackwell) 対応の修正は Linux 側に先に入る傾向がある

Windows ネイティブが向くのは「リアルタイムでマイク入力を扱う」「GUI アプリと統合する」みたいなケース。バッチ的にファイルを食わせるだけなら WSL2 で確実に幸せになれます。

---

ステップ 1: WSL2 + Ubuntu 26.04 セットアップ

WSL を別ドライブに置きたい場合(C ドライブを圧迫したくない場合)、--locationでインストール時に保存場所を指定できます。

wsl --install -d Ubuntu-26.04 --location W:\WSL\Ubuntu-26.04

確認:

wsl -l -v

Ubuntu-26.04 Stopped 2 のように VERSION が 2 になっていれば OK。VERSION 1 だと GPU が使えません。

---

ステップ 2: WSL から GPU が見えるか確認

WSL に入って:

nvidia-smi

グラボが認識されていれば成功です。ここでは CUDA Version: 13.x のような表示が出ることがありますが、これは「ドライバが対応する最大の CUDA バージョン」を表示しているだけで、実際に使うランタイム(CUDA 12)とは別物なので気にしなくて大丈夫です。

WSL 側に CUDA Toolkit を別途インストールする必要はありません。

---

つまずきポイント 1: Python 3.14 は使えない

Ubuntu 26.04 の標準 Python はバージョン 3.14。これがそのまま使えると思ったら罠でした。

$ python3 --version
Python 3.14.4

faster-whisper の中核である ctranslate2 (および PyAV) は C 拡張を含むため、Python のマイナーバージョンごとに wheel が必要ですが、3.14 用の wheel はまだ存在しません。

公式リポジトリの Issue でも「3.14 で失敗、3.13 で成功」という報告があり、関連エコシステム (whisply, WhisperX) もパッケージ要件として Python <3.14, >=3.10 を指定しています。
3.12が安定しているので、そちらをいれます。

---

ステップ 3: uv のインストール

Python 3.12 をどう入れるか。Ubuntu 26.04 の apt には 3.12 のパッケージが無いので、pyenv か uv か conda か、選択肢があります。

今回は uv を選択。Rust 製で速く、Python のバージョン管理 + パッケージ管理 + venv 管理を一つでこなせる。（物知りげに言っていますが初めて使いました）

curl -LsSf https://astral.sh/uv/install.sh | sh
source $HOME/.local/bin/env
uv --version

---

ステップ 4: 作業ディレクトリと venv の作成

cd ~
mkdir -p tools/fasterWhisper
cd tools/fasterWhisper
uv venv --python 3.12
source .venv/bin/activate
python --version   # Python 3.12.x

uv が Python 3.12 を自動でダウンロードして .venv/ を作ってくれます。

寄り道: 作業場所のおすすめ

私はWSL ディストリ本体 (ext4.vhdx) を W ドライブに置いたので、/home/... 配下に何を作ってもすべて W ドライブの中に書かれます。/mnt/c/... (Windows の C を直接見るマウントポイント) を作業場所にすると I/O が極端に遅くなるので、必ず Ubuntu ホーム配下で作業します。

---

ステップ 5: faster-whisper + CUDA ライブラリのインストール

uv pip install faster-whisper
uv pip install nvidia-cublas-cu12 "nvidia-cudnn-cu12==9.*"

nvidia-cudnn-cu12==9.* がポイント。最新の ctranslate2 は CUDA 12 + cuDNN 9 のみサポート。cuDNN 8 を入れてしまうと ctranslate2==4.4.0 までダウングレードが必要になります。

Blackwell (5060 Ti) は CUDA 12.8+ / cuDNN 9 が必須なので、最新のままで OK。

ちなみに ffmpeg は 不要。faster-whisper は内部で PyAV (ffmpeg バンドル版) を使うので、m4a / mp4 / mp3 などをそのまま渡せます。

---

ステップ 6: 動作確認

つまずきポイント 2: LD_LIBRARY_PATH の組み立て

公式 README にあるコマンドをそのまま実行したらエラーになりました。

export LD_LIBRARY_PATH=$(python -c 'import os; import nvidia.cublas.lib; import nvidia.cudnn.lib; print(os.path.dirname(nvidia.cublas.lib.__file__) + ":" + os.path.dirname(nvidia.cudnn.lib.__file__))')

TypeError: expected str, bytes or os.PathLike object, not NoneType

これは Python 3.12+ と最新の nvidia 系 wheel の組み合わせで起きる namespace package 問題で、__file__ が None を返すケースがあるためです。

→ __path__ を使う書き方に修正:

export LD_LIBRARY_PATH=$(python -c "import nvidia.cublas, nvidia.cudnn; import os; print(os.path.join(list(nvidia.cublas.__path__)[0], 'lib') + ':' + os.path.join(list(nvidia.cudnn.__path__)[0], 'lib'))")

GPU でモデルロード確認

python -c "
from faster_whisper import WhisperModel
m = WhisperModel('tiny', device='cuda', compute_type='float16')
print('GPU model loaded OK')
"

GPU model loaded OK が出れば成功。Blackwell 環境での最大の関門突破です。

Warning: You are sending unauthenticated requests to the HF Hub という警告が出ますが、これは Hugging Face のレート制限の話で、初回モデルダウンロード以降はアクセスしないので無視して OK です。

---

ステップ 7: テスト音源で書き起こし確認

定番テスト音源 (Whisper エコシステムでよく使われる JFK の演説) をダウンロード:

curl -LO https://github.com/openai/whisper/raw/main/tests/jfk.flac

python -c "
from faster_whisper import WhisperModel
m = WhisperModel('tiny', device='cuda', compute_type='float16')
segments, info = m.transcribe('jfk.flac')
for s in segments:
    print(f'[{s.start:.2f}-{s.end:.2f}] {s.text}')
print(f'lang={info.language} prob={info.language_probability:.2f}')
"

JFK の有名な一節が出力されれば成功。

そのまま 'tiny' を 'large-v3' に変えて、本番モデルのダウンロード(約 3GB)と動作も確認しておきます。

---

ステップ 8: transcribe.py を作る

引数を受け取って文字起こし結果を出力するスクリプト。

~/tools/fasterWhisper/transcribe.py:

import argparse, os, sys
from faster_whisper import WhisperModel

p = argparse.ArgumentParser()
p.add_argument("audio", help="音声/動画ファイルのパス")
p.add_argument("--model", default="large-v3", help="モデル名 (tiny/base/small/medium/large-v3)")
p.add_argument("--language", default="auto", help="言語コード (ja/en/auto)")
p.add_argument("--device", default="cuda")
p.add_argument("--compute-type", default="float16", help="float16/float32/int8_float16")
p.add_argument("--no-vad", action="store_true", help="VADを無効化")
p.add_argument("--output-dir", default=None, help="出力先 (省略時は入力と同じ場所)")
p.add_argument("--format", default="txt,srt", help="出力形式 カンマ区切り (txt,srt,vtt)")
p.add_argument("--initial-prompt", default=None, help="専門用語などのヒント")
args = p.parse_args()

lang = None if args.language == "auto" else args.language

print(f"Loading model: {args.model} ({args.compute_type}) on {args.device}...", file=sys.stderr)
model = WhisperModel(args.model, device=args.device, compute_type=args.compute_type)

print(f"Transcribing: {args.audio}", file=sys.stderr)
segments, info = model.transcribe(
    args.audio,
    language=lang,
    vad_filter=not args.no_vad,
    initial_prompt=args.initial_prompt,
)
print(f"Detected language: {info.language} (prob={info.language_probability:.2f})", file=sys.stderr)

audio_dir, audio_name = os.path.split(os.path.abspath(args.audio))
base_name = os.path.splitext(audio_name)[0]
out_dir = args.output_dir or audio_dir
os.makedirs(out_dir, exist_ok=True)
base = os.path.join(out_dir, base_name)

def ts(t, sep=","):
    h, rem = divmod(int(t), 3600)
    m, s = divmod(rem, 60)
    ms = int((t - int(t)) * 1000)
    return f"{h:02}:{m:02}:{s:02}{sep}{ms:03}"

def ts_short(t):
    h, rem = divmod(int(t), 3600)
    m, s = divmod(rem, 60)
    return f"{h:02}:{m:02}:{s:02}"

formats = [f.strip() for f in args.format.split(",")]
files = {}
if "txt" in formats:
    files["txt"] = open(f"{base}.txt", "w", encoding="utf-8")
    files["timestamp_txt"] = open(f"{base}.timestamp.txt", "w", encoding="utf-8")
if "srt" in formats:
    files["srt"] = open(f"{base}.srt", "w", encoding="utf-8")
if "vtt" in formats:
    files["vtt"] = open(f"{base}.vtt", "w", encoding="utf-8")
    files["vtt"].write("WEBVTT\n\n")

for i, seg in enumerate(segments, 1):
    text = seg.text.strip()
    if "txt" in files:
        files["txt"].write(text + "\n")
        files["timestamp_txt"].write(f"[{ts_short(seg.start)} - {ts_short(seg.end)}] {text}\n")
    if "srt" in files:
        files["srt"].write(f"{i}\n{ts(seg.start)} --> {ts(seg.end)}\n{text}\n\n")
    if "vtt" in files:
        files["vtt"].write(f"{ts(seg.start,'.')} --> {ts(seg.end,'.')}\n{text}\n\n")
    print(f"[{seg.start:6.2f} - {seg.end:6.2f}] {text}", file=sys.stderr)

for f in files.values():
    f.close()

output_exts = []
if "txt" in formats:
    output_exts.extend(["txt", "timestamp.txt"])
if "srt" in formats:
    output_exts.append("srt")
if "vtt" in formats:
    output_exts.append("vtt")
print(f"Done. Output: {base}.[{','.join(output_exts)}]", file=sys.stderr)

出力例

jfk.txt (素のテキスト):

And so my fellow Americans,
ask not what your country can do for you,
ask what you can do for your country.

jfk.timestamp.txt (タイムスタンプ付き):

[00:00:00 - 00:00:03] And so my fellow Americans,
[00:00:03 - 00:00:07] ask not what your country can do for you,
[00:00:07 - 00:00:11] ask what you can do for your country.

jfk.srt (字幕用):

1
00:00:00,000 --> 00:00:03,000
And so my fellow Americans,
...

---

ステップ 9: run.sh (シェルラッパー) を作る

PowerShell から呼ばれる入り口。venv 有効化と LD_LIBRARY_PATH 設定をここで吸収します。

~/tools/fasterWhisper/run.sh:

#!/usr/bin/env bash
set -e

DIR="$(cd "$(dirname "${BASH_SOURCE[0]}")" && pwd)"

source "$DIR/.venv/bin/activate"

export LD_LIBRARY_PATH=$(python -c "import nvidia.cublas, nvidia.cudnn; import os; print(os.path.join(list(nvidia.cublas.__path__)[0], 'lib') + ':' + os.path.join(list(nvidia.cudnn.__path__)[0], 'lib'))")

exec python "$DIR/transcribe.py" "$@"

実行権限を付与:

chmod +x run.sh

なぜ LD_LIBRARY_PATH を毎回設定する必要があるのか

pip でインストールした NVIDIA 系ライブラリの .so ファイルは .venv/lib/.../nvidia/cublas/lib/ などの奥まった場所に置かれます。OS のローダーは標準ではここを見ないので、Python 起動前に明示的に教えてあげる必要があります。

システムレベルで CUDA を入れた場合(apt install)は標準パスに置かれるので不要ですが、その方式はバージョン管理が面倒なので、現代では pip + venv + LD_LIBRARY_PATH が公式推奨です。

---

ステップ 10: PowerShell プロファイルに f-whisper を登録

ここからは Windows 側の作業。

つまずきポイント 3: 実行ポリシー

最初にプロファイルを読み込もうとすると:

このシステムではスクリプトの実行が無効になっているため...

というエラーが出ます。Windows のデフォルトでは PowerShell スクリプトの実行が制限されているためです。

解決:

Set-ExecutionPolicy -Scope CurrentUser RemoteSigned

• CurrentUser スコープなので、自分のユーザーアカウントだけに適用 (管理者権限不要)
• RemoteSigned はローカルスクリプトは許可、ネットからダウンロードしたものは署名必要

つまずきポイント 4: プロファイルファイルがそもそも無い

$PROFILE 変数はパスを返してくれますが、実体のファイルは自分で作る必要があります。

Test-Path $PROFILE

False が返ったら作成:

New-Item -Path $PROFILE -Type File -Force

-Force で親フォルダごと作ってくれます。

プロファイルを編集

notepad $PROFILE

以下を貼り付けて保存:

[Console]::OutputEncoding = [System.Text.Encoding]::UTF8
$OutputEncoding = [System.Text.Encoding]::UTF8

function f-whisper {
    if ($args.Count -eq 0) {
        Write-Host "Usage: f-whisper <audio-file> [--model large-v3] [--language ja] [--format txt,srt] ..."
        Write-Host ""
        Write-Host "Examples:"
        Write-Host "  f-whisper .\lecture01.m4a"
        Write-Host "  f-whisper .\lecture01.mp4 --model medium"
        Write-Host "  f-whisper .\lecture01.m4a --initial-prompt '情報科学。固有名詞: 田中先生'"
        return
    }

    $file = $args[0]
    if (Test-Path $file) {
        $resolved = (Resolve-Path $file).Path
        $drive = $resolved.Substring(0, 1).ToLower()
        $rest_path = $resolved.Substring(2).Replace('\', '/')
        $file = "/mnt/$drive$rest_path"
    } else {
        Write-Host "Warning: file not found locally: $file" -ForegroundColor Yellow
    }

    $rest = @()
    if ($args.Count -gt 1) {
        $rest = $args[1..($args.Count - 1)]
    }

    wsl -d Ubuntu-26.04 【ここにrun.shまでのpath】 $file @rest
}

ポイント

• @rest: PowerShell の splatting。配列を個別の引数として展開する書き方。これで --model medium などのオプションが argparse にそのまま流れる
• wsl -d Ubuntu-26.04: 明示的にディストリ指定。複数 WSL を入れていても確実に Ubuntu-26.04 が呼ばれる

プロファイル反映

. $PROFILE

確認

Get-Command f-whisper

Function f-whisper と出れば登録成功です。

---

動作確認

デスクトップに test.m4a という音声ファイルがあったとします。

cd C:\Users\xxx\Desktop
f-whisper .\test.m4a

実行後、デスクトップに以下が生成されます:

• test.txt (素のテキスト)
• test.timestamp.txt (範囲付きタイムスタンプ)
• test.srt (字幕)

---

使い方バリエーション

# 軽量モデルで高速処理
f-whisper .\test.m4a --model medium

# 言語を明示
f-whisper .\test.mp4 --language ja

# 専門用語を伝えて精度向上
f-whisper .\統計学01.m4a --initial-prompt "統計学。固有名詞: 田中先生、ベイズ統計、最尤推定"

# vtt も含めて全形式出力
f-whisper .\test.m4a --format txt,srt,vtt

# 出力先を変える
f-whisper .\test.m4a --output-dir C:\Users\xxx\Documents\transcripts

# 量子化で速度を稼ぐ
f-whisper .\test.m4a --compute-type int8_float16

---

速度の目安 (RTX 5060 Ti, large-v3, float16)

90 分授業を 約 10〜15 分 で処理。コマンド打ってコーヒー入れて戻ってきたら終わっている感覚です。

---

まとめ

レシピが固まれば、あとは PowerShell からシュッと呼べる定型作業になります。

私はやったことすぐ忘れるので備忘録てきな記事なのですが、まあ同じ構成で困っている人の参考になれば幸いです。