faster-whisperレビュー(2026):CTranslate2で高速化したローカル音声認識

歴史:誰がなぜfaster-whisperを作ったか

faster-whisperが実際にできること

• 高速なバッチ文字起こし。 WhisperModelを一度読み込み、音声ファイルに対して.transcribe()を呼び出すことで、タイムスタンプ付きセグメントと言語検出情報のジェネレーターを取得できる。
• 組み込みの音声区間検出(VAD)。 vad_filter=Trueを設定すると、文字起こしの前にSilero VADモデルが実行され、無音区間を自動的に除去し、無駄な計算と無音に対する幻覚テキストを減らす。
• 複数の計算タイプ。 GPUではfloat16またはint8_float16、CPUではint8を選択でき、わずかな精度と引き換えにメモリ使用量の削減と速度向上が得られる。
• 単語レベルのタイムスタンプ。 word_timestamps=Trueを渡すと、セグメントごとのタイムスタンプに加えて単語ごとのタイミング情報が返される。
• バッチ推論。 BatchedInferencePipelineクラスは複数の音声セグメントを並列にバッチ処理し、長いファイルでのスループットを向上させる。
• 多言語文字起こしと翻訳。 基盤となるWhisperモデルと同様、faster-whisperは元言語のまま文字起こしするか、task="translate"パラメータで直接英語に翻訳できる。

faster-whisperのインストールと実行:手順

1. 1
   faster-whisperをインストールする。
   Why it matters: Python環境(Python 3.9以上を推奨)で`pip install faster-whisper`を実行します。これによりライブラリとそのCTranslate2依存関係がインストールされます。CPU利用の場合、別途CUDAツールキットのインストールは不要です。
2. 2
   (GPUのみ)CUDAとcuDNNが利用可能か確認する。
   Why it matters: GPUアクセラレーションには、動作するNVIDIAドライバーとCUDAの設定が必要です。faster-whisperはCTranslate2のGPUサポートに依存しているため、`device="cuda"`が失敗する場合は、Python側を調べる前に`nvidia-smi`がGPUを正しく認識しているか確認してください。
3. 3
   モデルを読み込む。
   Why it matters: Pythonで`from faster_whisper import WhisperModel`を実行し、続けて`model = WhisperModel("large-v3", device="cuda", compute_type="float16")`を実行します。より小さく高速なモデルには`"large-v3"`を`"tiny"`、`"base"`、`"small"`、`"medium"`に置き換え、GPUがない場合は`device="cpu"`と`compute_type="int8"`を使用してください。
4. 4
   音声ファイルを文字起こしする。
   Why it matters: `segments, info = model.transcribe("audio.mp3", beam_size=5)`を実行します。これはセグメントのジェネレーター(リストではない)を返すため、実際に文字起こしを実行するには反復処理が必要です。
5. 5
   文字起こし結果を出力する。
   Why it matters: セグメントをループします:`for segment in segments: print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))`。各セグメントには開始時刻、終了時刻、その区間の文字起こしテキストが含まれます。
6. 6
   (任意)VADフィルタリングを有効にする。
   Why it matters: `.transcribe()`に`vad_filter=True`を渡すと、組み込みのSilero VADモデルを使って無音区間を自動的にスキップし、間や無音を含む長い録音での無駄な計算を減らせます。
7. 7
   (任意)単語レベルのタイムスタンプを取得する。
   Why it matters: `.transcribe()`に`word_timestamps=True`を渡すと、セグメントごとのタイミングに加えて単語ごとのタイミングが取得でき、字幕作成や発話中の単語ハイライトに役立ちます。

実際の使用例

• BatchedInferencePipelineはWhisperModelをラップして複数の音声チャンクを並列処理し、長いファイルでのスループットを向上させます:from faster_whisper import BatchedInferencePipeline; batched_model = BatchedInferencePipeline(model=model)。
• distil-large-v3との互換性。 faster-whisperはdistil-large-v3のような蒸留版Whisperバリアントをネイティブにサポートしています ー 通常のモデル名と同じ方法で読み込むことで、わずかな精度と引き換えに約6倍高速な推論が得られます。

from faster_whisper import WhisperModel

# GPUでfloat16を使用(最速、CUDA + cuDNNが必要)
model = WhisperModel("large-v3", device="cuda", compute_type="float16")

# CPUでint8を使用(GPU不要、より低速)
# model = WhisperModel("base", device="cpu", compute_type="int8")

segments, info = model.transcribe("audio.mp3", beam_size=5, vad_filter=True)

print(f"Detected language '{info.language}' with probability {info.language_probability:.2f}")

for segment in segments:
    print("[%.2fs -> %.2fs] %s" % (segment.start, segment.end, segment.text))

# 非英語の音声を直接英語テキストに翻訳
segments, info = model.transcribe("french-audio.mp3", task="translate")

# 字幕用の単語レベルタイムスタンプ
segments, info = model.transcribe("audio.mp3", word_timestamps=True)
for segment in segments:
    for word in segment.words:
        print("[%.2fs -> %.2fs] %s" % (word.start, word.end, word.word))

ライセンスとコスト

faster-whisperが向いていない用途

• Python不要またはクロスプラットフォームのバイナリ展開。 faster-whisperはネイティブのCTranslate2依存関係を持つPythonライブラリであり、whisper.cppのような単一の依存関係のないバイナリとして設計されていません。Raspberry Pi、iOSアプリ、Python環境のないWebAssemblyページを対象とする必要がある場合は、whisper.cppの方が適しています。
• Apple SiliconのGPUアクセラレーション。 faster-whisperのCTranslate2バックエンドはCPUとNVIDIA CUDAに対応していますが、Apple MetalのGPUアクセラレーションパスはありません ー Macでは、faster-whisperはCPUのみの推論にフォールバックします。PromptQuorumのベンチマークでは、Apple SiliconにおいてMetalアクセラレーションを備えたwhisper.cppが、CPUのみのfaster-whisperよりも明らかに高速であることが判明しました。
• 話者分離(誰が何を言ったか)。 faster-whisperは発話内容を文字起こしするが、複数人の録音で異なる話者をネイティブに分離・ラベル付けすることはできない。話者分離には、専用ツールと文字起こし結果を組み合わせるか、Whisperの文字起こしに話者分離を追加するWhisperXを使用してください。
• 非技術者向けのゼロセットアップ。 faster-whisperはパイプラインを構築する開発者向けのPythonライブラリであり、グラフィカルインターフェースを備えたエンドユーザー向けアプリケーションではありません。ワンクリックの文字起こしアプリが欲しいユーザーは、faster-whisperやwhisper.cppを基にしたアプリケーション、またはホスト型の文字起こしサービスを検討すべきです。

faster-whisperの代替ツール

よくある質問

総評

出典

• GitHub上のfaster-whisper ー 公式リポジトリ:README、インストール手順、ライセンス、リリース履歴。
• faster-whisperのリリース ー v1.2.1(2025年10月31日)を含むバージョン履歴。
• faster-whisperのLICENSE ー MITライセンスの本文。
• GitHub上のCTranslate2 ー faster-whisperが基盤とする推論エンジン。
• OpenAI Whisperの発表 ー 2022年のWhisperモデルの初回公開。

関連記事

• whisper.cpp対faster-whisper 2026:ローカルSTTベンチマーク、セットアップ、GPUアクセラレーション ー whisper.cppとfaster-whisperの選択で迷う読者向けの直接比較。
• whisper.cppレビュー ー Python不要のC/C++版の代替ツールを同じ深さでレビュー。
• 2026年に完全オフラインの音声アシスタントを構築する ー Whisperベースの音声認識エンジンをローカルLLMとPiper TTSに接続し、完全な音声パイプラインを構築。
• Piper TTSレビュー ー 生成したテキストをオフラインで音声に戻す、ローカルの音声合成版。
• ローカルLLMソフトウェア完全ディレクトリ ー あらゆるカテゴリのローカルAIツールを網羅した、より広範なディレクトリ。