※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

| 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 |
|---|---|---|---|
| small | 33.0秒(音声の0.31倍) | 約19分 | 3か所 |
| medium | 94.6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