whisper.cppレビュー(2026):純粋なC/C++によるローカル音声認識

歴史:誰がなぜwhisper.cppを作ったか

whisper.cppが実際にできること

• バッチ文字起こし。 whisper-cliバイナリを音声ファイルに向けて実行し、文字起こしを取得。プレーンテキスト、SRT/VTT字幕、JSON、CSVでの出力オプションあり。
• リアルタイムストリーミング。 whisper-streamサンプルはライブマイク音声を取り込み、継続的に文字起こしする。音声アシスタントやライブ字幕に有用。
• 多言語文字起こしと翻訳。 元となるWhisperモデルは多数の言語で学習されており、whisper.cppは渡すフラグに応じて元言語のまま文字起こしするか、直接英語に翻訳できる。
• ハードウェアアクセラレーション推論。 Apple Siliconでは、whisper.cppはモデルをCore ML形式にエクスポートしてApple Neural Engineを利用可能。NVIDIAハードウェアではCUDAを、他のGPUではVulkanやOpenVINOを利用可能。CPUのみのマシンでは、AVX2(x86)やNEON(ARM)ベクトル命令を使用する。
• 量子化。 モデルを量子化(例:4ビットや5ビットのGGML形式)することで、わずかな精度と引き換えにメモリ使用量を大幅に削減し、推論を高速化できる ー llama.cppがLLMに使うのと同じ技術。

whisper.cppのインストールと実行:手順

1. 1
   リポジトリをクローンする。
   Why it matters: `git clone https://github.com/ggml-org/whisper.cpp.git` を実行し、続けて `cd whisper.cpp` を実行します。これにより、CMakeビルドファイルとモデルダウンロードスクリプトを含む、C/C++ソースツリー全体が取得されます。
2. 2
   モデルをダウンロードする。
   Why it matters: `sh ./models/download-ggml-model.sh base.en` を実行し、GGML形式の英語専用baseモデルを取得します。求める精度と速度のバランスに応じて `base.en` を `tiny`、`small`、`medium`、`large-v3` に置き換えるか、多言語モデルには `.en` 接尾辞を外してください。
3. 3
   プロジェクトをビルドする。
   Why it matters: `cmake -B build` を実行し、続けて `cmake --build build -j --config Release` を実行します。これによりCLIバイナリ(`whisper-cli`、`whisper-stream`など)が `build/bin/` ディレクトリにコンパイルされます。このステップにPythonのインストールは不要です。
4. 4
   サンプルファイルを文字起こしする。
   Why it matters: リポジトリに同梱されているサンプル音声ファイルを使って `./build/bin/whisper-cli -f samples/jfk.wav` を実行します。これでビルドがエンドツーエンドで機能していることを確認でき、ターミナルに文字起こしが出力されます。
5. 5
   自分の音声を文字起こしする。
   Why it matters: サンプルパスを自分のWAVファイルに置き換えます:`./build/bin/whisper-cli -m models/ggml-base.en.bin -f your-audio.wav`。`.srt`字幕ファイルも出力するには `-osrt` を、JSON出力には `-oj` を追加します。
6. 6
   (任意)GPUアクセラレーションを有効にする。
   Why it matters: Apple Siliconでは、macOSでデフォルトのCMakeフラグでビルドすると自動的にMetalアクセラレーションが使用されます。NVIDIAマシンでは、CUDA対応でビルドするために `cmake -B build` のステップに `-DGGML_CUDA=ON` を追加します(CUDAツールキットのインストールが必要)。
7. 7
   (任意)リアルタイム文字起こしを試す。
   Why it matters: ストリーミングサンプルをビルドし、`./build/bin/whisper-stream -m models/ggml-base.en.bin` を実行して、固定ファイルの代わりにライブマイク音声を継続的に文字起こしします。

実際の使用例

• pywhispercpp はwhisper.cppのPythonバインディングを提供し、Metal/CUDAアクセラレーションを利用しつつ、ファイルごとにCLIバイナリを呼び出すのではなくPythonコードから呼び出したいチーム向け。
• **whisper.cppには小さなローカルHTTPサーバーのサンプル(whisper-server)も付属しており**、ファイルごとにCLIを呼び出すのではなくHTTP経由で音声を送りたいチームに有用 ー Pythonへの依存なしに既存サービスへwhisper.cppを組み込むのに役立つ。

# 音声ファイルをプレーンテキストに文字起こし(デフォルト出力)
./build/bin/whisper-cli -m models/ggml-base.en.bin -f interview.wav

# より大きく精度の高いモデルを使い、SRT字幕を出力しながら文字起こし
./build/bin/whisper-cli -m models/ggml-large-v3.bin -f lecture.wav -osrt

# 非英語の音声を直接英語テキストに翻訳
./build/bin/whisper-cli -m models/ggml-medium.bin -f french-audio.wav -tr

# 特定のGPUを指定(マルチGPUマシン)
./build/bin/whisper-cli -m models/ggml-large-v3.bin -f audio.wav -g 0

# デフォルトマイクからのリアルタイム文字起こし
./build/bin/whisper-stream -m models/ggml-base.en.bin -t 8

ライセンスとコスト

whisper.cppが向いていない用途

• 話者分離(誰が何を言ったか)。 whisper.cpp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、whisper.cppの文字起こしを話者分離ツールと組み合わせるなど、別途モデルやパイプラインを重ねる必要がある。
• 大規模での100ミリ秒未満のストリーミング遅延。 組み込みの whisper-stream サンプルは1台のマシンでの単一のライブマイクにはよく機能するが、whisper.cppは、多数の同時ユーザー向けに専用のリアルタイム音声APIが設計されるような、専用に構築され水平にスケールされたストリーミング音声認識サービスではない。
• 非技術者向けのゼロセットアップ。 whisper.cppはコマンドラインツールであり、ほとんどのユーザーはソースからビルドするかコンパイル済みバイナリを取得する ー 非開発者向けの洗練されたグラフィカルインストーラーやアプリストアの掲載はない。ワンクリックの文字起こしアプリが欲しいユーザーは、whisper.cppを基にしたGUIアプリケーションやホスト型の文字起こしサービスを検討すべき。
• Python優先パイプラインでNVIDIA GPUの最後の性能を絞り出すこと。 最大級のモデルとNVIDIAハードウェアでは、PromptQuorumのベンチマークにより、faster-whisperのCTranslate2バックエンドがwhisper.cppのCUDAパスより高速でVRAM効率も良いことが判明した ー 展開先がすでにNVIDIA GPU上のPythonサービスであれば、faster-whisperの方が通常より適している。

whisper.cppの代替ツール

よくある質問

総評

出典

• GitHub上のwhisper.cpp 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。
• whisper.cppのリリース ー v1.9.3(2026年8月20日)を含むバージョン履歴。
• whisper.cppのLICENSE ー MITライセンスの本文。
• 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。
• faster-whisperレビュー ー CTranslate2ベース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.cpp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。