Macで音声ファイルを文字起こしする方法：オフラインで、アップロードせずに

macOSに付属のボイスメモアプリでは、録音の文字起こしを表示できます。Appleのページでは、「文字起こし」ボタン、テキストのコピー、話した内容による録音の検索について説明しています。オーディオの文字起こしはすべての国や地域で利用できるわけではない、とも書かれています。

録音をボイスメモで行った場合（Mac上か、Macと同期しているiPhone上）は、これが最適です。ほかから来たファイル、動画、メモより長い録音には、ほかの2つの方法のほうが多くのことができます。

WhisperはOpenAIのオープンな音声認識モデルで、コードと重みがMITライセンスで公開されています。音声ファイルを受け取ってテキストを返すコマンドラインツールが付属しています。プロジェクトのREADMEには、対応するPythonは3.8〜3.11で、音声の読み込みにはffmpegが必要だと書かれています。

1. 「ターミナル」を開きます。
2. ffmpegをインストールします。Homebrewなら、コマンドはbrew install ffmpegです。
3. pip install -U openai-whisperでWhisperをインストールします。
4. whisper recording.mp3 --model turboでファイルに対して実行します。文字起こしは、実行したフォルダにテキスト、SRT、VTTのファイルとして書き出されます。
5. 録音の言語がわかっている場合は、指定します：whisper interview.wav --language German。

Whisperでは、速さと精度のバランスを自分で選びます。プロジェクトは6つのサイズを公開しており、パラメータ数3,900万のtinyから15億5,000万のlargeまであります。tinyの速度はlargeの約10倍とされています。turboモデルはパラメータ数8億900万で、速度はlargeの約8倍とされています。

どのツールを使う場合でも、確かめ方は同じです。大事な数分間を選んで再生し、文字起こしと照らし合わせて読んでから、文書全体を信用します。名前、数字、声が重なった部分は、どのモデルも間違えやすいところです。

どれも、誰が何を言ったかは示しません。どの方法でも、文字起こしはひと続きのテキストです。話者ラベルには別のモデルが必要で、Macではそのために作られたツール（MacWhisperなど）を使うことになります。また、どれも会議をその場で録音することはできません。録音は自分で用意します。