関連リンク

前回記事（Google Meet 録画から議事録を起こす）
https://qiita.com/miyakawa2449@github/items/be7a1e5c2a16ac934f13
今回使用したベンチマークスクリプト
https://github.com/miyakawa2449/meet/blob/main/legacy/bench_transcribe.py

1. 背景・目的

Google Meet
の録画設定で議事録生成を有効にし忘れたことを契機に、録画音声から議事録を自動生成する仕組みを
Python で構築した。

初期検証では、MacBook Pro M4 Pro（48GB）環境において Whisper + MPS
を用いた場合、約90分弱の音声を約10分で処理できることを確認した。

しかし以下を明確にするため、条件を統一したベンチマークを実施した。

Whisper と faster-whisper の実処理速度差
Apple MPS と NVIDIA CUDA の差
CPU / GPU / 推論エンジン差の影響

本記事は技術検証レポートとして、再現性を重視して記載する。

2. 検証環境

Mac環境

機種: MacBook Pro M4 Pro
メモリ: 48GB
OS: macOS 26.3 (Build 25D125)
Python: 3.12.12
whisper: openai-whisper 20250625
faster-whisper: 1.2.1
MPS: 使用

Windows環境（WSL2 Ubuntu）

CPU: Intel Core i7 12700
GPU: NVIDIA GeForce RTX 5070 12GB（12227MiB）
RAM: 32GB
Driver: 581.57
CUDA Driver対応バージョン: 13.0
CUDA Toolkit（nvcc）: 12.9
Python: 3.10.13
whisper: openai-whisper 20250625
faster-whisper: 1.2.1
CTranslate2: 4.7.1

3. 検証方法

使用音声: 約83分の会議音声（同一ファイル使用）
モデル: medium
beam_size = 1
best_of = 1
VAD無効
要約処理なし
計測基準: ASR処理時間（秒）
同一ベンチマークスクリプトを使用

実行例（環境別）

以下は各環境で使用した実行コマンドである。
すべて同一スクリプト・同一条件で実行した。

1) Mac + Whisper（MPS）

python3 bench_transcribe.py meeting.mp4 --engine whisper --device mps --beam-size 1 --best-of 1 --no-summary --bench-jsonl bench/bench.jsonl --bench-md bench/bench.md

2) Mac + faster-whisper（CPU）

python3 bench_transcribe.py meeting.mp4 --engine faster-whisper --device auto --beam-size 1 --best-of 1 --no-summary --bench-jsonl bench/bench.jsonl --bench-md bench/bench.md

3) WSL2 + Whisper（CUDA）

python3 bench_transcribe.py meeting.mp4 --engine whisper --device cuda --beam-size 1   --best-of 1 --no-summary --bench-jsonl bench/bench.jsonl --bench-md bench/bench.md

4) WSL2 + faster-whisper（CUDA）

python3 bench_transcribe.py meeting.mp4 --engine faster-whisper --device cuda --beam-size 1 --best-of 1 --no-summary --bench-jsonl bench/bench.jsonl --bench-md bench/bench.md

実行ログ例（RTX5070 + faster-whisper）

========== Benchmark ==========
extract : 13.297s
load    : 1.793s
asr     : 125.564s
summary : 0.000s
total   : 140.821s

4. 検証結果

ASR処理時間（medium / beam=1 / best_of=1）

環境	エンジン	デバイス	ASR時間(秒)	ASR時間(分)
Mac M4 Pro	whisper	MPS	755.475	12:35
Mac M4 Pro	faster-whisper	CPU (int8)	613.362	10:13
RTX5070	whisper	CUDA (fp32)	353.549	5:53
RTX5070	faster-whisper	CUDA (fp16)	125.564	2:05

5. 技術的課題（CTranslate2とRTX5070）

CTranslate2 と RTX5070 の互換性問題

RTX5070 環境では、pip で配布されている CTranslate2 バイナリが正常に動作しなかった。

複数バージョンを試行
古いバージョンまでダウングレード
CUDAバージョン確認
Driver確認

いずれも解決せず、faster-whisper が CUDA で正常動作しない状態が続いた。

最終的に、GitHub から CTranslate2 4.7.1 のソースコードを取得し、CUDA 12.9 環境に合わせてビルドを実施。

その結果、RTX5070 + CUDA で正常動作を確認した。

このことから、RTX5070（新世代GPU）ではバイナリ配布版と CUDA / Driver の組み合わせに依存する可能性がある。

新世代GPU環境では、バイナリ依存ではなくソースビルドを前提とした検証が必要であると感じた。

6. 考察

Apple Silicon 単体では faster-whisper (CPU) が安定かつ高速
NVIDIA + CUDA + CTranslate2 の組み合わせは大幅な高速化を示した
推論エンジン差とCUDA最適化が最大の速度差要因である

7. 今後の展望

話者分離（Diarization）統合
ローカルLLMによる要約処理
クローズド環境での議事録自動生成基盤構築

思想編（設計視点の整理）

本記事は技術的な検証結果の整理です。

今回の比較を通して感じた「AIは使うから設計するへ」という視点については、
独自ドメインのブログにまとめました。

▶ AIは「使う」から「設計する」へ
https://miyakawa.codes/blog/ai-design-foundation-whisper-verification

技術ログと合わせて読んでいただけると、基盤選定の背景まで理解できると思います。

まとめ

同一条件下での検証により、

Mac単体運用では faster-whisper (CPU) が実用的
高速処理を求める場合は NVIDIA GPU + faster-whisper が有効

という結果が得られた。