エンジン
Audiotext は 3 つのエンジンのいずれかで文字起こしします。エンジンは文字起こしの設定の エンジン カードで選びます。
| WhisperX | Whisper API | Google API | |
|---|---|---|---|
| 実行場所 | お使いのコンピューター | OpenAI のサーバー | Google のサーバー |
| インターネット | モデルのダウンロード時のみ | 必要 | 必要 |
| 費用 | 無料・無制限 | 有料 | 無料枠（月 60 分）、または API キーで有料 |
| 言語の検出 | ✓ | ✓ | ✗ |
| 翻訳 | ✓ | ✓ | ✗ |
| タイムスタンプ | ✓ | モデルによる | ✗ |
| 話者の識別 | ✓（Hugging Face トークン） | gpt-4o-transcribe-diarize |
✗ |
| 単語ごとのタイミング | ✓ | whisper-1 |
✗ |
| ライブテキスト | ✓ | ✗ | ✗ |
| 信頼度の低い単語 | ✓（単語ごとのタイミング） | whisper-1（セグメント） |
✗ |
WhisperX
Section titled “WhisperX”WhisperX は、お使いのコンピューターで動作する OpenAI の Whisper の高速な実装で、音声がコンピューターの外に出ることはありません。CPU で動作し、CUDA 対応の NVIDIA GPU や Apple シリコン搭載 Mac の GPU ではずっと高速に動作します。
大きいモデルほど正確ですが、遅く、メモリも多く使います。モデルは初回使用時にダウンロードされます。
| モデル | パラメーター数 | 必要な VRAM |
|---|---|---|
tiny, tiny.en |
39 M | 約 1 GB |
base, base.en |
74 M | 約 1 GB |
small, small.en |
244 M | 約 2 GB |
distil-small.en |
166 M | 約 2 GB |
medium, medium.en |
769 M | 約 5 GB |
distil-medium.en |
394 M | 約 3 GB |
large-v1, large-v2, large-v3 |
1550 M | 8 GB 未満 |
large-v3-turbo |
809 M | 約 6 GB |
distil-large-v2, distil-large-v3, distil-large-v3.5 |
756 M | 約 5 GB |
large-v2が既定です。large-v3は、特に日本語など一部の言語で、幻覚やテキストの繰り返しが起こりやすく、句読点の抜けも多いためです。large-v3-turboはlarge-v3を軽量化したもので、ずっと高速でありながら精度はほぼ同等です。- 末尾が
.enのモデル（tiny.en、base.en、small.en、medium.en）と蒸留モデル（distil-small.en、distil-medium.en、distil-large-v2、distil-large-v3、distil-large-v3.5）は英語のみを文字起こしします。同じサイズの多言語モデルより高速です。
Mac の場合
Section titled “Mac の場合”Apple シリコン搭載の Mac では、MLX Whisper が GPU で文字起こしするため、CPU よりずっと高速です。その後、WhisperX がいつもどおり CPU で単語を揃え、話者を識別するので、文字起こしには単語ごとのタイミング、評価、話者が残ります。
- モデルの MLX 版は初回使用時にダウンロードされます。
distil-small.en、distil-large-v2、distil-large-v3.5には MLX 版がないため、CPU で動作します。- ライブテキストは常に CPU で動作します。
- MLX は常に半精度で、バッチなしで計算するため、計算タイプ と バッチサイズ は GPU では適用されません。
- CPU で文字起こしするには、環境設定 → 文字起こし で CPU を使用 をオンにします。
詳細オプション
Section titled “詳細オプション”環境設定 → 文字起こし → WhisperX にあります。問題があるとき、または内容を理解している場合にのみ変更してください。GPU のメモリが不足するとシステムが固まることがあります。
- 計算タイプ: モデルの数値の精度です。
float16は NVIDIA GPU で高速です（CUDA 使用時の既定）。int8はメモリ使用量が少なく、CPU での既定です。多くの CPU はfloat16を効率よく扱えないためです。float32は最も精度が高く、VRAM が 8 GB を超える GPU 向けです。 - バッチサイズ: 音声のいくつの部分を同時に処理するか（既定は
8）。品質ではなく速度だけに影響します。メモリが足りない場合は下げてください。16までが推奨です。 - CPU を使用: WhisperX を CPU で実行します。GPU（CUDA 対応の NVIDIA GPU、または Apple シリコン搭載 Mac の GPU）が見つからない場合は常にオンです。
Whisper API
Section titled “Whisper API”OpenAI の音声認識 API を使います。WhisperX がスムーズに動かないコンピューター向けで、OpenAI の API キーが必要です（API キーをご覧ください）。
| モデル | タイムスタンプ | 話者 | 備考 |
|---|---|---|---|
whisper-1（既定） |
✓ | ✗ | セグメント単位で再生でき、字幕も作れます。英語に翻訳できます。各セグメントを評価するので、信頼度の低いセグメントを確認できます。 |
gpt-transcribe |
✗ | ✗ | より正確ですが、タイムスタンプはありません。 |
gpt-4o-transcribe-diarize |
✓ | ✓ | 話者を識別します。キーワードと説明は使いません。 |
英語への翻訳は、翻訳できる唯一のモデルである whisper-1 が必ず行います。
API は 25 MB を超えるファイルを受け付けないため、長い音声は最大 10 分のチャンクに分割されます。単語が途中で切れないよう、無音の箇所で区切られます。whisper-1 では各チャンクの末尾が次のチャンクのコンテキストとして渡され、gpt-4o-transcribe-diarize では各話者の声のサンプルが次のチャンクとともに送られ、ラベルが維持されます。
- 応答形式（出力カード、フォルダー用）:
text（既定）、json、verbose_json、srt、vtt。字幕とverbose_jsonにはタイムスタンプを返すモデルが必要です。 - 温度（環境設定 → 文字起こし）: 0 から 1 の間。0.8 のような高い値は結果をよりランダムに、0.2 のような低い値はより焦点の定まったものにします。0（既定）の場合、モデルが必要に応じて自動で上げます。
- 単語のタイムスタンプ（環境設定 → 文字起こし）: 再生中にハイライトするため、
whisper-1が各単語のタイムスタンプも返すかどうか。時間がかかります。既定でオンです。
Google API
Section titled “Google API”Google Speech-to-Text API を使います。文に句読点を付けず（句読点は Audiotext が付けます）、品質も Whisper より低いため、文字起こしの修正が必要になることがよくあります。言語の検出も翻訳もできず、タイムスタンプのないプレーンテキストを返します。
API キーがない場合は、月 60 分までの無料枠が使われます。拡張するには Google の API キーを設定します。Google は利用料金を請求します。これについて Audiotext は責任を負いません。