Macで無料・高速に文字起こししたいならwhisper.cpp一択だった話

最近、英語の技術解説を聞く機会が増え、「音声ファイルを無料で文字起こしできたら便利だな」と感じることが多くなりました。
特に、英語で話される技術セッションや学習用ポッドキャストは、音声よりも文字のほうが内容を理解しやすく、自分で見返すためにもテキスト化しておきたいというニーズがあります。
もちろん、日本語の音声にも使いたい🙆

そんなとき、OpenAIが提供している文字起こしモデル「Whisper」にたどり着きました。
ただし、Mac（特にApple Silicon）環境では選ぶべき実装に注意が必要です。

1. Whisper (Python版) はMacユーザーには非推奨

Whisper（Python版）は公式実装であり、CLIで簡単に使えるのが魅力です。
ただし、MacではGPU処理がうまく動作せず、CPUのみでの実行になるため非常に遅いです。

6分のMP3ファイルで10分以上かかることもある
実行時に以下のような警告が出る
UserWarning: FP16 is not supported on CPU; using FP32 instead
PyTorchのMPS対応が不完全で、GPU高速化を試みるとエラーで詰むことが多い
日本語への翻訳も精度が落ちる印象 → 文字起こし後にDeepLなどで翻訳するのが現実的

結論：MacユーザーはPython版Whisperは避けた方が無難です。

2. Macならwhisper.cpp一択

Apple Silicon (M1〜M3) のMacでは、C++実装の whisper.cpp が非常に高速かつ安定しています。
Python環境も不要で、動作も軽量。自分の使った中ではこれが一番快適でした。

セットアップ手順

以下の手順でインストール可能です。

xcode-select --install  # インストール済みなら不要
git clone https://github.com/ggerganov/whisper.cpp
cd whisper.cpp
./models/download-ggml-model.sh base.en  # baseは速度重視、mediumは精度重視
brew install cmake
make
cmake --build build --config Release

使い方（例）

./build/bin/whisper-cli -m ./models/ggml-base.en.bin -f "example.mp3" -otxt

-m 使用するモデル（base.enやmedium.enなど）
-f 文字起こししたい音声ファイル（MP3/WAV/MP4など）
-otxt テキスト形式で出力
-oj JSON形式でも出力可能

使い方の詳細は以下で確認できます。

./build/bin/whisper-cli -h

使用してみた感想

Wihsperで10分以上かかっていたのが1分でできました！
精度も十分で、Python版と遜色なし
alias whisper='~/whisper.cpp/build/bin/whisper-cli ...' のように設定すればより便利
翻訳が必要な場合は、DeepLなどにコピペでOK
オプション　--translate で翻訳できるが精度・速度に不安がある
JSON形式で出力すればタイムスタンプが出る（後で確認する場合も便利）

まとめ

ツール	特徴	Macでの使用感
Whisper (Python版)	正式実装。簡単に使えるが遅い	GPUが使えず非現実的
whisper.cpp	Apple Siliconで高速動作。Python不要	爆速＆実用的

Macで無料＆高速に文字起こししたいなら、whisper.cpp一択。
Python版はCPU実行しかできず、実用性に欠けます。
音声ファイルを文字起こししておくと、学習の時短になるし、あとで内容を見直したいときにもすぐに検索できて便利です。