Whisper (openai/whisper)とは？
openai/whisperは、OpenAIの音声認識モデルファミリーであるWhisperのオリジナルのコード公開です。Pythonパッ ケージ(PyPIのopenai-whisper)と、音声を文字起こしし、英語に翻訳し、話されている言語を判定するコマンドラインツールwhisperからなります。tiny(パラメータ39M、VRAM約1 GB)からlarge(1,550M、約10 GB)、turbo(809M、約6 GB)まで6つのサイズをダウンロードして実行でき、小さい4つには英語専用版もあります。
このレビューはソフトウェアを対象としています。既定で使われるturboチェックポイントは、モデルの項でWhisper large-v3-turboとして別途レビューしています。
コードはMITライセンスで、GitHubスターは約112,700、直近1か月のPyPIダウンロード数は約620万です。PyPIの最新リリースv20250625は2025年6月のもので、その後のコミット(最新は2026年8月31日)は小さな修正と、pipの利用者にはまだ届いていないJSONL出力形式です。
Whisper (openai/whisper)は使う価値があるか？
openai/whisperは、他のあらゆるWhisperランタイムの比較基準であり続けていますが、その中で最も遅いのもこれです。faster-whisperが公開しているベンチマークでは、large-v2で13分の音声を処理するのに、RTX 3070 Ti上でopenai/whisperは2m23sかかり、faster-whisperの1m03s、whisper.cppの1m05sを大きく下回りました。smallモデルでのCPU処理では6m58sかかり、whisper.cppは2m05sでした。この測定はv20240930を使ったもので、コードはその後ほとんど変わっていません。
強みは網羅性と手軽さです。pip installとffmpegだけで、テキスト、字幕、TSV、JSONを書き出し、多言語モデルで英語に翻訳し、言語を判定し、単語単位のタイムスタンプを付けるCLIが手に入ります。READMEは多くの人がはまる落とし穴を明記しています。既定モデルのturboは翻訳用に学習されてお らず、--task translateを指定しても元の言語のまま返すため、翻訳にはmediumかlargeが必要です。
保守は最小限です。2025年7月以降のコミットは5件で、最も役立つのはビームサーチが遅いアテンションカーネルに戻ってしまう問題の修正とJSONL出力形式で、どちらも2026年7月のものです。いずれもPyPIには届いていません。OpenAIは2024年のturbo以降、新しいチェックポイントを出しておらず、ホスト型APIモデルwhisper-1を2027年2月に廃止します。これはこのオープンなコードには影響しませんが、同社の関心がどこに移ったかを示しています。
このパッケージが役立つのは、比較基準として、教育用途として、そして数分余計にかかっても問題のない小さな作業です。文字起こしサービス、過去のアーカイブの一括処理、ノートPC向けアプリなら、同じ重みが他のランタイムでより速く、より少ないメモリで動き、faster-whisperは同じ精度だとしています。
真価を発揮する場面
週に数件のインタビューを扱う報道機関の開発者
録音したインタビューを検索可能なテキストと字幕にしたい
6 GBのGPUを積んだデスクトップでwhisper interview.mp3 --model turboを実行すれば、1回でテキスト、SRT、JSONのファイルが得られます。分単位の料金はなく、この量なら速度の遅さは問題になりませんが、引用は音声と照合する必要があります。
より高速なWhisperランタイムを評価する機械学習エンジニア
本番用エンジンがオリジナルと同じ文字起こしを返すか確認したい
固定のテストセットを、同じモデルサイズとビーム設定でopenai/whisperと候補のランタイムの両方で文字起こしし、単語誤り率を比べます。参照コードは小さく読みやすいため、差異の原因を追いやすくなります。
日本語とスペイン語のフィールド録音を文字起こしする大学の研究室
元の言語の文字起こしと並べて英語の翻訳も得たい
turboは翻訳を無視するため、mediumかlargeのモデルで--task translateを使います。largeにはVRAM約10 GBが必要で、処理も遅くなります。OpenAI自身の言語別グラフが示すように、精度は言語によって大きく異なります。
導入前に確認すること
- 導入
- パッケージマネージャーでffmpegを入れ、pip install -U openai-whisperを実行します。tiktokenがお使いのプラットフォーム向けのビルド済みwheelを持たない場合は、Rustが必要になることがあります。モデルは初回使用時にダウンロードされ、最初の文字起こしには数分かかります。
- 連携
- whisper CLIとPython API(load_model、transcribe、detect_language)。出力はtxt、vtt、srt、tsv、jsonで、mainブランチではjsonlにも対応します。CUDAまたはCPUでPyTorch上で動きます。
- データとプライバシー
- ローカルで動作し、重みのダウンロード後は音声がマシンの外に出ることはありません。MITライセンスはコードと重みの両方に適用されます。
- 大規模利用時のコスト
- 無料で、コストはGPU時間です。その使い方はfaster-whisperより非効率で、faster-whisperのベンチマークでは同じ13分のファイルに2m23s対1m03sかかっています。
- 制限
- 2025年6月以降PyPIのリリースがなく、turboは翻訳できず、主要なランタイムの中で最も遅く、精度は言語によって大きく異なります。
良い点
- pip install一つで完全なCLIとPython APIが手に入る
- 6つのモデルサイズすべて、翻訳、言語判定に対応
- MITライセンスで、PyPIのダウンロードは月約620万
- 他のWhisperランタイムを検証する際の基準になる
気になる点
- 公開ベンチマークではGPU上でfaster-whisperの2倍以上遅い
- 2025年6月以降PyPIのリリースがない
- 既定のturboモデルは翻訳できない
- インストールにffmpegと、場合によってはRustが必要
おすすめの人
小さな作業や教育、他のランタイムの出力確認のために、Whisperの参照実装を使いたい開発者や研究者。
Whisper (openai/whisper)の代替
Whisper (openai/whisper)：よくある質問
- Whisper (openai/whisper)は使う価値があるか？
- Whisperパッケージは今も音声ファイルから文字起こしへの最短ルートですが、まとまった量を扱うなら、faster-whisperやwhisper.cppが同じ作業をはるかに短い時間でこなします。 評価は5点満点中3.6点です。
- Whisper (openai/whisper)の料金は？
- MITライセンスの無料オープンソースで、コードも重みも同様です。有料版はありません。
- Whisper (openai/whisper)の欠点は？
- 公開ベンチマークではGPU上でfaster-whisperの2倍以上遅い; 2025年6月以降PyPIのリリースがない; 既定のturboモデルは翻訳できない; インストールにffmpegと、場合によってはRustが必要.
- Whisper (openai/whisper)は誰に向いているか？
- 小さな作業や教育、他のランタイムの出力確認のために、Whisperの参照実装を使いたい開発者や研究者。
- チームや本番環境でWhisper (openai/whisper)を使うと費用はいくらか？
- 無料で、コストはGPU時間です。その使い方はfaster-whisperより非効率で、faster-whisperのベンチマークでは同じ13分のファイルに2m23s対1m03sかかっています。
- Whisper (openai/whisper)は企業データを扱っても安全か？
- ローカルで動作し、重みのダウンロード後は音声がマシンの外に出ることはありません。MITライセンスはコードと重みの両方に適用されます。
- Whisper (openai/whisper)の代わりになるものは？
- 当サイトでレビューした中で最も近い代替はaudio.cpp 、 VibeVoiceです。
回答確認日：2026年11月14日