AIの文字起こし、1時間の音声に何分かかる?ミニPC(CPUだけ)で実測【faster-whisper】

ミニPC・自動化

※この記事の最後に、自分のココナラの出品の案内があります。

会議や取材の録音を文字にしたいとき、「AI に任せたら、どのくらいの時間で終わるの?」と気になりませんか。家のミニPC(グラフィックボードなし)で、無料で使える AI の文字起こし(faster-whisper)を動かして、かかった時間と間違いの数を測りました。

先に大事な注意です。測った音声は、Windows に入っている合成音声で読ませた会議の原稿(105秒)で、本物の人の声ではありません。「1時間の音声なら何分」は、この105秒の結果から比例で計算した数字で、60分の音声は試していません。本物の録音(雑音・早口・何人もの声)では、間違いはもっと増えることが多いはずです(試していません)。

結果:1時間の音声なら small 約19分、medium 約54分

AIの文字起こしにかかった時間(small 約19分・medium 約54分)と間違いの例
モデル105秒の音声にかかった時間1時間なら(比例で計算)意味が変わった間違い
small33.0秒(音声の0.31倍)約19分3か所
medium94.6秒(音声の0.90倍)約54分1か所

medium は small のおよそ3倍の時間がかかりますが、間違いは少なくなりました。medium でも、音声とほぼ同じくらいの時間がかかるので、1時間の録音ならパソコンを1時間近く動かしておくことになります。

どんな間違いがあったか

元の原稿とくらべて、意味が変わってしまった所だけを数えました。

モデル元の原稿AI の結果
small発売日を遅らせる発売日を送らせる
small来週の水曜日までに案を来週の水曜日まで2案を
small・mediumないようでしたら内容でしたら

ほかに、「十月→10月」「三百二十万円→320万円」「お客さま→お客様」のような書き方の違いもありましたが、意味は同じなので数えていません。聞き取りやすい合成音声でも間違いが出たので、AI だけで正確に文字にできるとは言えません。大事な記録は、最後に人が読み直すのがおすすめです。

測った環境

項目内容
PCミニPC GMKtec M8(CPU:AMD Ryzen 5 PRO 6650H・6コア12スレッド/メモリ16GB/Windows 11 Pro)
使った計算CPU だけ(グラフィックボードも、CPU 内蔵のグラフィックスも使っていない)
ソフトPython 3.14.7、faster-whisper 1.2.1(ctranslate2 4.8.3)
モデルfaster-whisper の small と medium(OpenAI の Whisper を速く動くようにしたもの)
設定compute_type=int8、beam_size=5、language=ja、vad_filter=True(無音を飛ばす)
音声Windows の合成音声「Microsoft Haruka Desktop」で読ませた会議の原稿・105.3秒

使ったミニPCの詳しい使い心地は、GMKtec M8 の実機レビューにまとめています。

自分で試すなら

Python が入っていれば、次の2つで試せます。最初の1回は、モデルのダウンロードに時間がかかります。

pip install faster-whisper
from faster_whisper import WhisperModel

model = WhisperModel("small", device="cpu", compute_type="int8")
segments, info = model.transcribe("録音.wav", language="ja", beam_size=5, vad_filter=True)
for s in segments:
    print(s.text)

上のコードを test.py という名前で、録音.wav と同じフォルダに保存し、python test.py で動かします(wav のほか mp3 や m4a も読めます)。

  • まず small で試して、間違いが多ければ medium にすると、時間と正確さのバランスを決めやすい
  • 録音は、話す人の近くでとると間違いが減りやすい
  • 会議の録音を使うときは、録音してよいか、参加する人に先に確かめる

作業の合間の息抜きに、Kindle+(月980円で対象の本・雑誌が読み放題、初回30日間無料)や、聴くタイプのオーディオブックAudible(30日間無料体験あり)もおすすめです。

まとめ

  • グラフィックボードのないミニPCでも、AI の文字起こしは動く。1時間の音声なら small 約19分、medium 約54分(105秒の合成音声から比例で計算)
  • medium のほうが間違いは少ないが、時間は約3倍
  • 合成音声でも意味が変わる間違いが出た(small 3か所・medium 1か所)。大事な記録は人が読み直す

自分でやる時間がないときは

音声ファイルを送ってもらい、AI で文字にして、AI で見直す形の文字起こしを、ココナラで受けています(自分の出品です)。人の耳での聞き直しはしていないので、その点をご了承のうえでご相談ください。ココナラの出品ページを見る

コメント

タイトルとURLをコピーしました