TranscriptionSuiteレビュー：話者ラベル付きの無料ローカル音声認識アプリ

TranscriptionSuiteは2つの部分からなります。インストールするダッシュボードと、アプリがダウンロード・管理するサーバーです。 ファイルは最新のGitHubリリースに添付されており、以下の行は簡単な順に並べています。

TranscriptionSuiteは文字起こしアプリであり、会議ボットでもクラウドサービスでもありません。 READMEによると、構成はElectronのダッシュボードとPythonバックエンドで、Whisper、NVIDIA NeMo、VibeVoice-ASR、SenseVoice、whisper.cpp、MLXの各モデルに対応し、CUDA、Apple Metal、Vulkan、または純粋なCPUで動作します。

作者は、個人用ツールから趣味のプロジェクトに育ったと述べています。機械工学のエンジニアでソフトウェアエンジニアではなく、READMEの言葉では「this whole thing is vibecoded」（ただし無思考ではない）とのことです。自分でも使っており、放棄するつもりはないとしています。

本レビューは、公式サイト、README、GitHubのリリースに基づいています。実機テストは行っていないため、精度、速度、安定性は評価していません。

セットアップは、ダッシュボードのインストールと、アプリ内からのサーバー起動です。 手順はREADMEに沿っています。

1人のプロジェクトとしては機能が幅広いのが特徴です。 以下はすべてREADMEと公式サイトに基づいています。

音声モデルは自分で選びます。アプリがハードウェアを検出し、使えない選択肢はグレーアウトします。 Docker環境ではWhisperX（faster-whisperモデル）、NVIDIA Parakeet v3とCanary v2、VibeVoice-ASR、SenseVoice、whisper.cppから選べます。Apple siliconではWhisper、Parakeet、Canary、VibeVoice-ASRのMLX版です。

対応言語はモデルによって異なります。Whisperは90以上の言語に対応し英語への翻訳もでき、ParakeetとCanaryは25のヨーロッパ言語、VibeVoiceは51言語、SenseVoiceは5言語です。NeMoモデルはCPUランタイムでは動作せず、VibeVoice-ASRは約16 GBの90億パラメータのモデルです。

開発者は、RTX 3060のWhisperで30分の音声を1分未満で文字起こしできると述べていますが、本レビューではこの数値を再現していません。READMEには最小RAMやVRAMの要件が載っていません。

READMEによると、すべてお使いのパソコン上で動作し、音声と文字起こし結果は外に出ません。 インターネットが必要なのは、初回利用時にアプリとモデルの重みをダウンロードするときだけで、その後はオフラインで動作します。WhisperやNeMoでの話者ラベルにはPyAnnoteモデルを使い、無料のHugging Faceトークンが必要です。

ノートのAIアシスタントは、Groq、OpenAI、OpenRouterなどのクラウドサービスを含む任意のOpenAI互換プロバイダーと会話できます。そこへ送った内容は「ローカルのみ」という説明の対象外です。READMEには、アプリが週に一度新バージョンを確認するとも書かれています。

コードはGPL-3.0以降で、アプリは無料です。独立したプライバシーポリシーのページは見つかりませんでした。本レビューでは通信内容を確認していないため、これらは開発者自身の説明です。

ディレクトリ内で最も近い音声認識ツールは、別の会議向け文字起こしツール、Mac向けの口述アプリ、そして土台にできる2つのエンジンです。

TranscriptionSuiteは、話者ラベル付きのプライベートなローカル文字起こしが欲しく、Dockerに抵抗がない方、またはApple silicon搭載Macで同梱ビルドによりその手間を省ける方に向いています。

懸念点は成熟度と透明性です。バイブコーディングと自称するメンテナー1人、プライバシーポリシーのページがないこと、作者自身の速度の主張以外に精度のベンチマークがないこと、そして未署名のmacOSアプリです。まずは機密性のない録音で試してください。