Whisper
別名: OpenAI Whisper
OpenAIが開発した多言語対応の音声認識（音声→テキスト）AIモデルです。
一言で
Whisper（ウィスパー）とは、OpenAIが開発した音声をテキストに書き起こす（音声認識／STT）AIモデルです。
もう少し詳しく
Whisperは2022年9月にOpenAIからオープンソースとして公開された音声認識モデルで、ウェブから集めた68万時間という大量の音声データで学習しています。日本語を含む約97言語に対応し、多言語の文字起こし・英語への翻訳・話者の言語判定までを1つのモデルでこなせるのが特徴です。
2024年末に登場した「Large-v3 Turbo」は、上位モデル並みの精度を保ちながら約8倍の高速処理を実現し、現場で最も使われるバージョンとなっています。さらに2026年5月にはリアルタイム文字起こしに特化した「GPT-Realtime-Whisper」がAPIで公開され、話している最中に低遅延でテキスト化できるようになりました。
ChatGPTの音声入力やZoomの議事録機能など、私たちが普段触れている多くの「音声→文字」機能の裏側でWhisperやその派生モデルが動いています。
主な特徴
- 多言語対応: 約97言語に対応し、日本語の精度も高い
- オープンソース: 自分のPCやサーバーで無料で動かせる
- 頑健性: 雑音や訛りに強く、現場録音にも実用的
使われ方の例
- 会議・取材音声の文字起こし
- YouTube動画への自動字幕生成
- 音声入力での議事録作成・メモアプリ
関連する話題
OpenAI公式のAPI版（whisper-1）のほか、コミュニティ製の高速版「faster-whisper」や、Apple Siliconに最適化された「whisper.cpp」も人気で、ローカルで動かす選択肢が豊富です。