ブログ
← ブログ一覧へ

Whisperで文字起こしする方法|Macで動かすモデルの選び方

WhisperをMacの文字起こしに使うとき、入れ方の次に立つのが「どのモデルで動かすか」です。Whisperはモデルの大きさがいくつもあり、大きいほど精度が上がる代わりに、必要なメモリと処理時間がかさみます。先に結論を言うと、メモリ8GBのMacなら量子化したlarge-v3-turbo-q5_0かsmall、16GB以上ならlarge-v3-turboが目安です。

モデルの違いは、Whisperを組み込むアプリでも、自分で入れる形でも共通します。Reki noteは、録音から議事録までを1つのアプリで済ませる会議アプリで、文字起こしのエンジンとしてwhisper.cpp系のランタイムを内蔵しています。ここではモデルの大きさ、Macのスペックからの選び方、動くかどうかの確かめ方の順に示します。

WhisperはMacの中で動く文字起こしエンジン

Whisperは、OpenAIが公開している汎用の音声認識モデルです。公式リポジトリでは、多言語の音声認識、話訳、言語識別を1つのモデルで行うと説明され、コードとモデルの重みがMITライセンスで公開されています(openai/whisper、確認日:2026年10月31日)。

MacでWhisperを動かす道は、大きく2つに分かれます。

1つは、Whisperを内蔵したアプリを使う道です。MacではMacWhisperが知られていて、開発元のページでは、文字起こしはすべて端末内で行われ、データはPCの外に出ないと説明されています(開発元のページ、同日確認)。音声ファイルを投げると、Macの中で文字にしてくれます。

もう1つは、文字起こしのエンジンとしてWhisperを組み込む道です。whisper.cppはOpenAIのWhisperをC/C++で動かす実装で、Apple SiliconではMetalやCore MLで最適化され、推論はGPUで動きます(ggml-org/whisper.cpp、同日確認)。

Reki noteはこの形を取り、ランタイムを内蔵したうえで、録音・取り込みから文字起こし、議事録の生成までを1つのアプリで続けられます。

どちらの道でも、音声はMacの中で処理されます。Reki noteの対応OSはMac(Apple Silicon・M1以降)とWindows 10以降で、Mac版が安定版、Windows版は一部機能に制限があります。

Whisperを内蔵したアプリと、ランタイムを選んで組み込む形を左右に並べ、どちらも音声をMacの中で処理することを示した図

図: アプリに内蔵されたWhisperでも、ランタイムを選べる形でも、音声はMacの中で処理される

モデルの大きさが精度と速度とメモリを決める

Whisperのモデルは、大きさの違いで選ぶことになります。OpenAIのリポジトリには、tinyからlargeまでのサイズに加えて、large-v3を最適化したturboが載っています。turboは、精度の低下を最小限に抑えつつ、より速い文字起こしができると説明されています(同日確認)。

Reki noteで選べるモデルは、ドキュメントにまとめられていて、tiny(約77MB)からlarge-v3(約3.1GB)まで7種類です。大きいモデルほど高精度になる一方、ファイルの大きさも、読み込むときに必要なメモリも増えます。

モデルサイズVRAM目安特徴
tiny約77MB約1GB最も軽く最速。精度は低め
base約148MB約1GB速度と精度のバランスが良い
small約488MB約2GB精度が上がる
medium約1.5GB約5GB高精度
large-v3-turbo約1.6GB約6GB速くて高精度
large-v3-turbo-q5_0約574MB約3GB軽量に量子化した高速・高精度
large-v3約3.1GB約10GB最も高精度。CPUのみでは遅くなりがち

表の値はReki noteのドキュメントローカルWhisperに必要なマシンスペックにまとまっています。whisper.cppのモデル一覧(models、同日確認)は、ggml形式のファイルの大きさを確かめるときに役立ちます。

Macのスペックから選ぶ

Macのスペックの目安は、ドキュメントでは次のように整理されています。メモリは最低8GB、推奨16GB。実行時に使うのはおおむね2〜4GB程度で、8GBの場合は空きを3〜4GB確保しておきたいところです。CPUは現代的な4コア以上が推奨で、GPUは必須ではありません。Apple Silicon(Mシリーズ)の内蔵GPUにも対応しています。

メモリ8GBのMac

8GBのMacでは、large-v3-turbo-q5_0かsmallが扱いやすい選択です。量子化されたモデル(q5_0)はメモリと読み込み時間を抑えられ、精度の差は通常ほとんど気にならないと、ドキュメントにあります。smallはさらに軽く、精度は一段下がります。

メモリ8GBのMacでは軽いモデル、16GB以上では大きなモデルが目安であることを左右で示した図

図: メモリ8GBならlarge-v3-turbo-q5_0かsmall、16GB以上ならlarge-v3-turboが目安

メモリ16GB以上のMac

16GB以上があれば、large-v3-turboが快適さを優先した選択になります。ドキュメントは、会議の文字起こしサンプルで一度確かめ、動作が重いと感じたら一段小さいモデルへ切り替えるのをすすめています。

空き容量

モデルのファイルは約77MBから約3.1GBです。モデルはダウンロードして保存するので、ストレージの空きは先に確認しておきます。

large-v3-turbo-q5_0が扱いやすい理由

q5_0が8GBのMacで扱いやすいのは、大きさと精度の兼ね合いです。whisper.cppには整数の量子化に対応した機能があり(同日確認)、q5_0はその形式で軽くしたモデルです。Reki noteのドキュメントでは「軽量に量子化した高速・高精度モデル」と説明されています。ファイルは約574MB、VRAM目安は約3GBで、large-v3(約3.1GB・約10GB)と比べると、必要なリソースが一段小さくて済みます。

精度の差については、ドキュメントは「通常ほとんど気にならない」としています。議事録のように固有名詞を落とせない記録では、まずq5_0で始めて、足りないと感じたら一段上へ上げる。これがメモリ8GBのMacでは無理のない順序だと考えます。

Reki noteでモデルを選んで文字起こしする

Mac版のReki noteでは、「設定」→「文字起こし」で、Mac内蔵文字起こしとローカルWhisperを選べます。ローカルWhisperでは、先の表のモデルから選んで文字起こしできます。

音声をMacの中に留めたい会議では、処理モードを「ローカルモード」に切り替えます。「設定」→「AI関連」の上部で切り替えられ、ローカルモードではクラウド文字起こし・外部AI・同期・共有などが停止する代わりに、録音と文字起こしはPCの中で続きます。切り替えは録音中にはできないので、録音を終えてから行います。

議事録の生成まで端末内に留めたい場合は、ローカルLLMで議事録を作る方法でLM StudioやOllamaとの接続を説明しています。

文字起こしの言語は、日本語の会議なら「日本語」と指定します。指定すると言語の自動判別を待たずに済み、精度と速度が安定します(録音音声と文字起こし言語の設定)。対応言語は日本語・英語・中国語・韓国語・スペイン語・フランス語・ドイツ語・ポルトガル語です。

会議を録るときは、録音の前に参加者へ伝えるのを忘れないでください。モデルの選び方とは別の話ですが、記録を残す前提の作法として先に済ませておきたい一手です。

自分のMacで動くか確かめる

推奨スペックは目安で、実際の速さはCPU・GPU・OS・モデルによって変わります。ドキュメントは、自分のPCのスペックをAIチャットに伝えて確認する方法をすすめています。手順は次のとおりです。

  1. macOSならアップルメニューの「このMacについて」を開き、OS・CPU・メモリ・GPUの情報を確認します。
  2. 分かった情報をChatGPTやClaude、GeminiなどのAIチャットに貼り付けます。
  3. 「このPCでwhisper.cppのlarge-v3-turboは実用的な速さで動作しますか?CPUのみ/GPUありの両方で教えてください」と質問します。
  4. 厳しそうと言われたら、smallやlarge-v3-turbo-q5_0など軽いモデルへ切り替えます。

スペックを確認し、AIチャットに聞き、重ければ軽いモデルへ切り替える手順を左から右に並べた図

図: スペックを確かめ、重ければ一段小さいモデルへ切り替える

動きが重いと感じたときは、リアルタイム文字起こしをオフにすると、会議中やアプリ起動中のPC負荷を抑えられます。

Mac内蔵文字起こしとローカルWhisperの使い分け

Mac版には、ローカルWhisperのほかに、macOS内蔵の音声認識を使うMac内蔵文字起こし(設定では「軽量文字起こし」)があります。アプリ内でモデルをダウンロードする必要がなく、軽量で扱いやすいのが特徴です。エンジンは「自動(推奨)」のままで問題ありません。

ドキュメントのすすめ方は、まずOS標準の方法から始め、モデルを細かく選びたい場合にローカルWhisperへ切り替える、という順です。処理の段階を含めた端末内文字起こしの全体像は文字起こしをオフラインで行う方法に、設定の詳細は端末内で完結する文字起こしにまとめています。

選ぶ条件を絞ると、2つになります。Macのメモリと、どこまで細かくモデルを選ぶかです。メモリ8GBならlarge-v3-turbo-q5_0かsmall、16GB以上ならlarge-v3-turbo。

まずMac内蔵文字起こしから始めて、精度と速度のバランスを自分で決めたくなったらローカルWhisperへ。録音から議事録までを1つのアプリで回すなら、Reki noteをダウンロードしてお手元のMacで確かめてみてください。

← すべての記事