オフライン音声テキスト変換：最高のローカルAI文字起こしソフト

Apple Silicon上で動作するローカル文字起こしモデル

先に結論：端末別のおすすめオフライン文字起こし

MacとiPhoneでは、Whisper NotesがParakeet V3、SenseVoice、Whisper Turboの3モデルをローカルで実行する。価格は各プラットフォーム$6.99の買い切りで、Mac版は10,000語まで無料で試せる。WindowsならBuzzまたはfaster-whisper、Androidは選択肢がまだ限られている。下表のツールは、モデルの準備後はオフラインで動作する。

以下では、速度、費用、プライバシーの違いを実測値とともに説明し、音声をオフラインで文字にする手順も紹介する。

レイテンシ問題

クラウド文字起こしの流れ：話す、音声がサーバーにアップロードされる、APIが処理する、結果が返ってくる。「リアルタイム」サービスでも、10秒の録音に2〜3秒のネットワーク往復が加わる。

ローカル文字起こしではアップロードが不要で、処理は端末内で完結する。ネットワークの混雑やサーバー待ちに左右されず、機内モードでも同じ手順で使える。

近年のiPhoneとApple Silicon Macには、端末上の機械学習に使えるNeural Engineが搭載されている。手元のハードウェアで処理すれば、音声を送信して結果を待つ必要がない。

数年前はスマートフォンで大規模な音声モデルを動かすのが難しかったが、現在は状況が違う。Apple Silicon Macや近年のiPhoneなら、用途に合わせたモデルを端末上で実用的な速度で動かせる。

ただし、クラウドはライブ共同編集や組織全体のワークフローに向いている。自分だけが使う録音では、アップロードを省けるローカル処理の方が簡潔だ。

チップ代はもう払った

ローカル処理では、すでに購入したMacやiPhoneの計算資源をそのまま使える。

クラウドサービスはサーバー費用が継続するため、月額または分単位の料金になりやすい。ローカルアプリはモデルを端末で実行するため、同じ費用構造を持たない。

Whisper NotesはMac版とiPhone版がそれぞれ$6.99の買い切りで、Mac版は10,000語まで無料で試せる。2つのプラットフォームは別購入だが、どちらにも月額料金や分単位の課金はない。

文字起こしにサーバーを使わないため、録音時間が増えても追加料金は発生しない。

データ漏洩はアーキテクチャの問題

クラウドとローカルでは、守るべき範囲が異なる。

クラウド文字起こしでは、音声が事業者のインフラへ送られ、保管期間やアクセス権限はその事業者の方針にも左右される。ローカル処理なら、少なくとも文字起こしのために第三者のサーバーへ音声を転送する必要はない。

音声には氏名、健康情報、取引内容だけでなく、本人の声そのものも含まれる。パスワードのように簡単に変更できない情報なので、送信先と保存場所を把握しておく価値がある。

端末から送信しない音声は、文字起こし事業者側の漏洩対象にはならない。ただし、端末のロック、バックアップ、共有方法、保存期間まで自動的に安全になるわけではない。

誰が機密音声を録音しているか考えてみよう：

• 弁護士がクライアント相談を録音
• セラピストが患者セッションを記録
• ジャーナリストが情報源を保護
• 経営者が戦略的議論を捕捉
• 医師が患者履歴を記録

機密性の高い音声を扱う場合、ローカル文字起こしは第三者への転送を減らせる。ただし、同意取得や組織の保存規則、法的義務は別に確認する必要がある。

精度と向き不向き

精度は「ローカルかクラウドか」だけでは決まらない。モデル、言語、録音環境、専門用語によって結果が変わる。

ローカル音声モデルが得意なこと：録音を文字に変換し、タイムスタンプ付きで確認できる形にすること。英語や欧州言語にはParakeet V3、日本語・中国語・韓国語・広東語にはSenseVoice、幅広い100+言語にはWhisper Turboというように、用途に合うモデルを選ぶ方が重要だ。

言語モデルが得意なこと：完成した文字起こしの要約、論点整理、タスク候補の抽出。Whisper NotesのDirect Download版ではGemma 4をMac上で動かせる。共有してよいテキストなら、クラウドLLMを選ぶこともできる。

実用的な流れは、まず音声をローカルで文字起こしし、内容を確認してから要約することだ。生の音声を送らずに済み、誤認識を直してから要約へ進める。

重要な氏名、数字、薬剤名、引用は必ず原音と照合する。ローカル処理でも誤認識は起こり、要約モデルも誤った結論を出すことがある。

実際の速度データ

「ローカル」という分類より、選ぶモデルの方が処理時間を大きく左右する。英語と欧州言語にはParakeet V3、日本語・中国語・韓国語・広東語にはSenseVoice、最も広い100+言語にはWhisper Large V3 Turboが向いている。

測定方法はWhisper Notesを搭載した32GB RAMのM4 Proで、文字起こし開始から最終テキスト完成までを実時間で計測した。Parakeetは35分の録音、SenseVoiceとWhisperは同じ27分の中国語ポッドキャストを使用している。異なる音源同士を直接比較する数値ではなく、製品内テストの目安だ。

音声をオフラインで文字にする手順

Macの場合：

1. Whisper Notes for Macを入れる。アカウントは不要で、10,000語まで無料で試せる。
2. 設定でモデルを選ぶ。英語・欧州言語はParakeet V3、日本語・中国語・韓国語・広東語はSenseVoice、その他の言語はWhisper Large V3 Turboが目安。モデルは一度ダウンロードすればオフラインで使える。
3. その場で録音するか、MP3、WAV、M4A、MP4などの音声・動画ファイルを読み込む。
4. オンライン会議では会議検出を有効にする。Zoom、Teams、Google Meetを自動検出し、システム音声とマイクを同時に録音する。
5. 完成した文字起こしを確認し、TXT、SRT、VTTまたはクリップボードへ書き出す。

iPhoneの場合：App StoreからWhisper Notesを入れ、録音するか、ボイスメモやファイルから音声を読み込む。最初にモデルを用意した後は、Aシリーズチップ上で文字起こしできる。

私たちの実装方法

Whisper Notesでは、録音から文字起こし、書き出しまでを端末上で完結させている。主な設計は次のとおり。

ロック画面ウィジェット

ロック画面から1回タップするだけで録音を始められる。アプリを探して開く必要がなく、通信状態の確認も不要だ。

ハードウェア適応型モデル

MacとiPhoneの両方でParakeet V3、Whisper Large V3 Turbo（8.09億パラメータ）、SenseVoiceを利用できる。モデル構成は同じだが、それぞれのハードウェアに合わせて実行方法を最適化している。

あなたのデータ、あなたのファイル

録音と文字起こしは端末上に保存される。TXT、SRT、VTTなどの一般的な形式で書き出せるため、別のツールへ移す際も専用データベースに縛られない。

カスタム語彙

技術用語、珍しい氏名、業界固有の表現は一般的なモデルが間違えやすい。カスタム語彙で文脈を追加でき、登録した用語は文字起こしのためにサーバーへ送信されない。

ローカルパーソナライゼーション。語彙はプライベートのまま。

クラウドの方が良い場合

クラウドが適している場面もある。

リアルタイムチームコラボレーション。会議中に5人が同時に文字起こしを編集するにはサーバー調整が必要。ローカルツールは本質的にシングルユーザー。

大規模な話者識別。オンデバイスの話者ラベル付けはすでに実現している—Whisper Notesは現在、iPhoneとMac上で「誰が何を言ったか」を完全にオンデバイスでラベル付けする。非常に大きなグループや発言の重なりが多い場面ではクラウド規模のダイアライゼーションが依然として優位だが、一般的な会議やインタビューでは精度差は縮まっている。

ワークフロー自動化。クラウドサービスはCRMと接続し、タスクを抽出してSlackへ要約を送れる。ローカルツールでは、完成したテキストを次の工程へ渡す設定が別途必要になる。

古いハードウェア。A14より前のiPhoneやIntel Macでは、大きな音声モデルを実用的な速度で動かすのが難しい。こうした端末ではクラウドが現実的な選択肢になる。

会議中の共同編集や組織全体の自動化が中心ならクラウドが使いやすい。自分の録音を外部へ送らずに文字起こししたいなら、ローカル処理が合っている。

トレンド

チップ世代ごとにNeural Engineの性能が向上する。モデル反復ごとに効率が向上する。ローカルとクラウドのギャップは縮まり、プライバシーとレイテンシの優位性は不変。

以前は大きな音声モデルを動かすためにクラウドが必要だった。現在は、対応するMacやiPhoneなら録音、文字起こし、要約の一部まで端末上で処理できる。

選択基準は単純だ。共同編集と集中管理を優先するならクラウド、音声を手元に残すことを優先するならローカル処理を選ぶ。

技術詳細

WindowsとAndroidでオフライン文字起こしを使うには

Whisper NotesはApple Silicon向けのため、現在はMacとiPhoneに対応している。他の環境では次の選択肢がある。

Windows：BuzzはWhisperをGUIで扱える無料のオープンソースアプリ。faster-whisperは主にコマンドラインで使い、モデルを用意した後はオフラインで動作する。GPUドライバーやモデル管理など、ネイティブアプリより設定項目は多い。

Android：whisper.cppの移植版やラッパーアプリはあるが、保守状況と使いやすさに差がある。Whisper Notesの対応状況はAndroid版の案内ページで更新している。

多くの人の検索"Whisper Notes Windows"pc上で同じオフライン、ワンタイム購入モデルをしたいです。 私たちはあなたを聞く—しかし、我々はむしろ遅い何かを出荷するよりも"まだ"と言うだろう（上の完全な説明 Whisper Notes のために Windows ページ). Appleのニューラルエンジンは何を作るのですか 100x-今日可能なリアルタイムローカル転写。

オフライン音声翻訳でできること、できないこと

完全版のWhisper Large V3は、文字起こしに加えて各言語の音声を英語へ翻訳するタスクでも学習されている。ローカルで実行すれば、日本語、フランス語、アラビア語などの音声から英語テキストを生成できる。ただし翻訳先は英語のみで、逆方向には対応しない。また、高速なLarge V3 Turboは文字起こしへ特化するため、この翻訳タスクを省いている。

現時点で実用的なのは、まず音声をローカルで文字起こしし、完成したテキストを信頼できる翻訳ツールへ渡す2段階の方法だ。元の音声を外部へ送らずに済む。

よくある質問

iOS版をダウンロード Macで無料体験