Skip to main content
PromptQuorumPromptQuorum
ホーム/ローカルLLM/Apple Silicon上のWhisper 2026:MetalベンチマークとCore ML設定、M1–M5速度ガイド
Hardware & Performance

Apple Silicon上のWhisper 2026:MetalベンチマークとCore ML設定、M1–M5速度ガイド

·14分で読める·Hans Kuepper 著 · PromptQuorumの創設者、マルチモデルAIディスパッチツール · PromptQuorum

M5 Pro上のWhisper large-v3:10–12×リアルタイム。Metal GPU自動。Large-v3-turboは14–18×で速度+精度を両立。無料、完全オフライン。

Apple Silicon上のWhisper音声認識:M1からM5 MaxのMetalおよびCore MLベンチマーク。セットアップガイド、モデル選択、リアルタイム文字起こし。

完全ベンチマーク表:Apple Silicon(M1–M5)上のWhisperパフォーマンス

ChipTinyBaseSmallMediumLarge-v3
M132×20×12×
M1 Pro38×24×16×
M1 Max45×30×22×10×
M1 Ultra55×38×28×14×
M236×23×14×
M2 Pro42×28×20×
M2 Max50×35×26×12×
M2 Ultra60×42×32×17×
M340×26×16×
M3 Pro46×32×22×10×
M3 Max55×40×30×14×
M444×30×18×
M4 Pro50×36×26×12×
M4 Max60×44×34×16×
M5 (base)48×34×22×10×
M5 Pro55×40×30×14×
M5 Max65×48×38×18×

×Nリアルタイム = 1秒でN秒分の音声を文字起こし。Metal加速付きwhisper.cppによるベンチマーク。M1 Pro以降のすべてのモデルでlarge-v3をリアルタイム以上で実行可能。

Whisperモデルサイズ — どれを選ぶべきか?

モデルパラメータ数ディスク容量RAM使用量英語WER最適用途

WER(単語誤り率)は英語LibriSpeechテストセットによる。Large-v3-turboとdistil-large-v3はほとんどのMacでリアルタイム処理の最適バランス — large-v3品質の4–6×の速度。

Metal vs Core ML vs Apple Neural Engine:どのバックエンドを使うか?

Apple SiliconはWhisperに3つの加速経路を提供します。それぞれトレードオフがあります。

Metal(whisper.cpp経由)— 推奨:Apple Metal GPUフレームワークを使用、すべてのMシリーズチップに対応、large-v3でM5 Proにて10–12×リアルタイム、make WHISPER_METAL=1でセットアップ。最適用途:ほとんどのユーザー、最も簡単なセットアップ、実績のあるパフォーマンス。

Core ML(Apple Core MLフォーマット経由)— 上級者向け:Apple機械学習フレームワークを使用、一部の処理でNeural Engine(ANE)を活用可能、一部のワークロードで15–20%高速化、モデル変換が必要(10–15分のセットアップ)。最適用途:最高速度を求める上級ユーザー。

Apple Neural Engine(ANE)— 限定的な用途:すべてのMシリーズチップ搭載の専用AIアクセラレータ、直接アクセス不可(Core ML経由のみ)、アーキテクチャの不一致によりWhisperはANEを十分活用できず、小さいモデル(tiny、base)での使用に限る。最適用途:バッテリー駆動のラップトップでのWhisper tiny/base。

選択マトリックス:初回セットアップ → Metal(whisper.cpp)。large-v3で最高速度 → Metal。バッテリー駆動ラップトップ、baseモデル → ANE付きCore ML。本番サーバー → Metal(実績あり、信頼性高)。リアルタイム文字起こし → ストリーミングモード付きMetal。MacインスタンスへのCloudデプロイ → Metal(コンテナ化可能)。

  • Metal(whisper.cpp):高速、広い互換性、最も簡単なセットアップ
  • Core ML:Neural Engine最適化、一部のワークロードで15–20%の速度向上(変換が必要)
  • Apple Neural Engine:大型モデルへの恩恵は限定的、tiny/baseのラップトップ使用に最適

セットアップ:Metal加速付きwhisper.cpp

  1. 1
    依存関係のインストール
    Why it matters: xcode-select --install (Xcodeツール) brew install ffmpeg (音声変換)
  2. 2
    Metal付きwhisper.cppのクローンとビルド
    Why it matters: git clone https://github.com/ggerganov/whisper.cpp cd whisper.cpp make WHISPER_METAL=1 ./main -h | grep -i metal
  3. 3
    モデルのダウンロード
    Why it matters: bash ./models/download-ggml-model.sh small (466 MB、リアルタイム) bash ./models/download-ggml-model.sh large-v3 (3 GB、最高品質) bash ./models/download-ggml-model.sh large-v3-turbo (1.6 GB、バランス型)
  4. 4
    音声ファイルの文字起こし
    Why it matters: ./main -m models/ggml-large-v3.bin -f /path/to/audio.wav ./main -m models/ggml-large-v3.bin -f audio.wav -oj (JSON) ./main -m models/ggml-large-v3.bin -f audio.wav -l en (言語指定)
  5. 5
    非WAV音声を先に変換
    Why it matters: ffmpeg -i input.mp3 -ar 16000 -ac 1 -c:a pcm_s16le output.wav ./main -m models/ggml-large-v3.bin -f output.wav

リアルタイムストリーミング文字起こし(ライブマイク)

マイクからのライブ文字起こし — 音声アシスタント、会議文字起こし、アクセシビリティツール向け。

オプション1:whisper.cppのストリームモード

./stream -m models/ggml-small.bin --step 500 --length 5000

# --step 500: 500msごとに処理

# --length 5000: 直近5秒のコンテキストを保持

オプション2:faster-whisperを使ったPython(以下のコードブロックを参照)

M5 Proでの遅延:smallモデル ~200ms、large-v3-turbo ~400–600ms、large-v3 ~800ms–1.2sのリアルタイム遅延。

python
import sounddevice as sd
import numpy as np
from faster_whisper import WhisperModel

model = WhisperModel("large-v3-turbo", device="cpu", compute_type="int8")
buffer = []
chunk_duration = 3
sample_rate = 16000

def callback(indata, frames, time, status):
    buffer.append(indata.copy())
    if len(buffer) * 1024 / sample_rate >= chunk_duration:
        audio = np.concatenate(buffer).flatten().astype(np.float32)
        segments, _ = model.transcribe(audio, beam_size=5)
        for segment in segments:
            print(segment.text)
        buffer.clear()

with sd.InputStream(callback=callback, channels=1, samplerate=sample_rate):
    print("Listening... (Ctrl+C to stop)")
    while True:
        sd.sleep(1000)

音声アシスタントパイプライン:Whisper + Ollama + Piper TTS

Apple Silicon上で完全にローカル動作する音声アシスタントの完全コード。

python
import sounddevice as sd
import numpy as np
import requests
import subprocess
from faster_whisper import WhisperModel

WHISPER_MODEL = "large-v3-turbo"
OLLAMA_URL = "http://localhost:11434/api/chat"
LLM_MODEL = "llama3.1:8b"
SAMPLE_RATE = 16000

whisper = WhisperModel(WHISPER_MODEL, device="cpu", compute_type="int8")

def record_audio(duration=5):
    print("Listening...")
    audio = sd.rec(int(duration * SAMPLE_RATE),
                   samplerate=SAMPLE_RATE,
                   channels=1,
                   dtype=np.float32)
    sd.wait()
    return audio.flatten()

def transcribe(audio):
    segments, _ = whisper.transcribe(audio, beam_size=5)
    return " ".join([seg.text for seg in segments])

def llm_respond(user_text):
    response = requests.post(OLLAMA_URL, json={
        "model": LLM_MODEL,
        "messages": [{"role": "user", "content": user_text}],
        "stream": False
    })
    return response.json()["message"]["content"]

def speak(text):
    subprocess.run(
        ["piper", "--model", "en_US-amy-medium.onnx"],
        input=text.encode(),
        check=True
    )

while True:
    audio = record_audio(duration=5)
    user_text = transcribe(audio)
    print(f"You: {user_text}")
    if not user_text.strip():
        continue
    response = llm_respond(user_text)
    print(f"AI: {response}")
    speak(response)

Macモデル別の最適Whisper設定

Mac設定推奨モデルリアルタイム倍率ユースケース

リアルタイム音声アシスタント向け:最低遅延のためsmallまたはlarge-v3-turboを使用。会議/ポッドキャスト文字起こし向け:最高精度のためlarge-v3を使用(1–2秒の遅延は許容範囲)。

ローカルWhisper vs クラウド音声認識サービス

指標Whisperローカル(M5 Pro)Google Speech-to-TextOpenAI Whisper APIAssemblyAI

月額コスト(1日8時間):Whisperローカル 0円、Google 約52,000円、OpenAI 約13,000円、AssemblyAI 約23,000円。機密性の高い作業(医療、法律、ジャーナリズム)では、ローカルWhisperが唯一の選択肢。高ボリュームの文字起こし(クラウドで月10,000円以上)の場合、ローカルMacは12ヶ月で元が取れます。

WhisperはクラウドAPIより高速ですか?

M5 Proでローカル動作:10×リアルタイム(遅延100ms)。クラウドAPI:ネットワークによる100–500msの遅延。ローカルの方が高速かつ無料。

Whisperは複数の話者に対応できますか?

はい、タイムスタンプで話者を分離できます。話者のIDを特定するには後処理や話者識別(ダイアライゼーション)ツールを使用してください。

対応言語はどれくらいですか?

99言語に対応し自動検出。言語によって精度が異なります — 英語は2.5% WER、その他の言語は5–15% WER。

速度と品質のバランスが最も良いWhisperモデルはどれですか?

Large-v3-turboまたはdistil-large-v3。どちらもlarge-v3の精度の約95%を4–6×の速度で達成。ほとんどのリアルタイムユースケースで推奨。

Whisperはアクセントのある英語や非ネイティブスピーカーに対応していますか?

はい、ただしWERは上昇します。ネイティブ英語:約2.5%。強いアクセント/非ネイティブ:5–12%。Large-v3は小さいモデルよりもアクセントをより良く処理します。

Whisperはポッドキャストや音楽の文字起こしに使えますか?

ポッドキャスト:はい、音声コンテンツに優れています。歌詞付きの音楽:不向き — Whisperは音声用に学習されています。音楽には専門のモデルを使用してください。

技術用語に対するWhisperの精度はどのくらいですか?

様々です。一般的な技術用語:良好。高度に専門的な用語:誤文字起こしの可能性があります。精度向上には--promptフラグで想定語彙を指定してください。

1台のMacで複数のWhisperインスタンスを実行できますか?

はい、メモリ依存です。M5 Pro 36GB:large-v3インスタンス2つを同時実行可能。M5 Max 128GB:4–6インスタンス、またはLLM/TTSと組み合わせた1インスタンス。

サードパーティの情報に関する注意

この記事はサードパーティのAIモデル、ベンチマーク、価格、ライセンスを参照しています。AIの状況は急速に変化しています。ベンチマークスコア、ライセンス条件、モデル名、API価格は執筆時とお読みになる時の間で変わる可能性があります。この記事に基づいてデプロイやコンプライアンスに関する決定を下す前に、各プロバイダーの公式ソース(ライセンスとベンチマークはHugging Faceのモデルカード、API価格はプロバイダーのウェブサイト、現在のGDPRとEU AI法のテキストはEUR-Lex)で最新の数値を確認してください。この記事は2026年5月時点で公開されている情報を反映しています。

ローカルLLM、独自のAPIキー、またはその両方でPromptQuorumを使用できます — バックエンドはあなたが選択します。

PromptQuorumウェイトリストに参加する →

← ローカルLLMに戻る