Openai Whisper

• APIキーや使用コストなしで、音声や動画ファイルをローカルで文字起こしする必要がある場合。
• 音声がマシンの外に送信されない、プライバシーを保護した文字起こしを求めている場合。
• 音声から直接字幕/キャプションファイル（.srt）を生成する必要がある場合。
• 録音ファイルを一括処理しており、モデルサイズと処理速度のトレードオフを完全に制御したい場合。

• リアルタイムまたはストリーミングの文字起こしが必要な場合 — Whisper CLI はファイルを処理するものであり、ライブオーディオストリームには対応していません。
• 稼働時間と SLA が保証されたマネージドクラウド文字起こしサービスが必要な場合。
• 使用するマシンのディスク容量や RAM が非常に限られており、モデルの重みを収容できない場合（最小のモデルでも数百 MB が必要です）。

Openai Whisper はお使いのハードウェア上で完全に動作します。OpenAIアカウントもAPIキーも不要で、外部サーバーへのデータ送信もありません。モデルの重みを一度ダウンロードするだけで、オフラインで文字起こしが可能です。

--output_format フラグを使用して、txt、srt、vtt、tsv、json の出力フォーマットに対応しており、単一のコマンドからキャプション、字幕、またはプレーンなトランスクリプトを簡単に生成できます。

--task translate を渡すことで、文字起こしに使用されるのと同じモデルの重みを利用し、英語以外の音声を自動的に英語テキストに翻訳します。

文字起こしの速度と精度のバランスを取るために、さまざまなモデル（tiny、base、small、medium、large、turbo）から選択できます。このインストールのデフォルトは turbo です。モデルは初回ダウンロード後、~/.cache/whisper にキャッシュされます。

録音した .mp3 または .m4a ファイルを Openai Whisper に --model medium --output_format txt オプションを指定してドロップするだけで、機密性の高い会話をサードパーティのサービスにアップロードすることなく、きれいなテキストの文字起こしを取得できます。

--output_format srt を使用することで、動画編集ソフトやメディアプレイヤーにインポートできる字幕ファイルを生成できます。ローカル環境で録画に字幕を付けたいコンテンツクリエイターに最適です。

外国語の音声に対して --task translate を実行することで、1ステップで英語のトランスクリプトを取得できます。多言語のソース素材を扱う研究者やジャーナリストに役立ちます。