whisper は OpenAI が公開している音声認識モデル Whisper をローカルで実行する コマンドライン です。音声/動画ファイルを読み込み、日本語など多言語の**文字起こし（transcribe）や英語への翻訳（translate）**を行い、txt/srt/vtt/tsv/json などで書き出します。(GitHub)
実務では会議録の作成、動画字幕の自動生成、ポッドキャストやインタビューの書き起こしに使います。Whisper の CLI は Python 製で、実行には PyTorch と ffmpeg のインストールが必要です。(AssemblyAI)
構文（Syntax）
# 基本
whisper INPUT... [OPTIONS]
# 代表例
# 1) 文字起こし（日本語を日本語のまま）
whisper in.wav --model small --language ja --output_format srt
# 2) 英訳（多言語→英語）
whisper in.mp4 --task translate --model medium
# 3) 出力先や形式を指定
whisper in.m4a --output_dir out --output_format txt
# 4) GPU を明示、CPU では fp16 を無効化
whisper in.wav --device cuda
whisper in.wav --device cpu --fp16 False
INPUTは1つ以上の音声/動画ファイル。複数指定で一括処理できます。(GitHub)
主なオプション一覧
| オプション | 説明 | 使用例 |
|---|---|---|
--model {tiny,base,small,medium,large...} | 使用モデルを指定（.en は英語特化、large-v2/v3 などもあり） | --model small (GitHub, Hugging Face) |
--language LANG | 音声の言語を指定（未指定なら自動判定） | --language ja (GitHub) |
--task {transcribe,translate} | 文字起こし / 英訳（英語への翻訳）を選択 | --task translate (GitHub) |
--output_dir DIR | 出力先ディレクトリ | --output_dir ./out (GitHub) |
--output_format {txt,vtt,srt,tsv,json,all} | 出力形式（未指定で すべて生成） | --output_format srt (GitHub) |
--device {cpu,cuda} | 実行デバイスを指定（GPU 利用には CUDA 対応 PyTorch が必要） | --device cuda (Stack Overflow, Vegas Creative Software) |
--fp16 {True,False} | 半精度 FP16 を使用（CPU の場合は False 推奨） | --fp16 False (GitHub) |
--verbose {True,False} | 進捗や候補の表示 | --verbose True (GitHub) |
--initial_prompt TEXT | 文脈となるプロンプト（句読点や用語の誘導） | --initial_prompt "会議: " (GitHub) |
--temperature, --beam_size, --best_of | デコード周りの探索設定 | --beam_size 5 (GitHub) |
出力フォーマットは
txt（素のテキスト）、srt/vtt（字幕）、tsv、jsonをサポートします。(GitHub, Emory Libraries Guides)
実行例
1) 日本語の会議録を字幕ファイル（SRT）にする
説明: 日本語をそのまま文字起こしし、SRT を出力します。
コマンド:
whisper meeting.wav --model small --language ja --output_format srt --output_dir captions
2) 動画を英語字幕付きで出したい（翻訳）
説明: 日本語など多言語の音声を 英語に翻訳して出力。
コマンド:
whisper lecture.mp4 --task translate --model medium --output_format srt
--task translate は英語への翻訳専用です。(GitHub)
3) 複数ファイルをまとめて処理（カレントディレクトリ）
説明: 主要な音声拡張子を一括で処理します。
コマンド:
for f in *.{wav,mp3,m4a}; do whisper "$f" --model base --output_format txt; done
（シェルの展開は環境に合わせて調整） (Stack Overflow)
4) GPU で高速化 / CPU での実行
説明: CUDA 対応の PyTorch が入っていれば GPU を使えます。CPU の場合は --fp16 False 推奨。
コマンド:
# GPU
whisper in.wav --model small --device cuda
# CPU
whisper in.wav --model small --device cpu --fp16 False
GPU 利用には CUDA 対応の PyTorch をインストールしておく必要があります。(Stack Overflow)
5) エラー例：ffmpeg が見つからない
説明: ffmpeg が PATH にないとデコードできず失敗します。
コマンド:
whisper in.mp3 --model base
出力例（代表例）:
FileNotFoundError: [Errno 2] No such file or directory: 'ffmpeg'
対処: OS のパッケージマネージャ等で ffmpeg をインストールし、PATH を通してください（Linux: sudo apt install ffmpeg / macOS: brew install ffmpeg など）。(AssemblyAI)
関連コマンド
ffmpeg: 音声/動画の入出力・変換。Whisper の CLI は内部で ffmpeg を利用します。(AssemblyAI)faster-whisper: 低メモリ・高速な実装（別 CLI）。whisper-ctranslate2: CTranslate2 ベースの高速実装。CLI はほぼ同等の使い方。(GitHub)whisper.cpp: CPU 向け C/C++ 実装。yt-dlp: 動画取得→whisperで字幕化するワークフローに便利。
備考
- モデル選択:
tiny/base/small/medium/large系と、英語専用の.en版があります。英語専用モデルは一部サイズで精度が良い傾向。large系は多言語対応です。(Hugging Face, GitHub) - 出力形式: 何も指定しないと複数形式を同時に書き出す挙動（
--output_format all相当）です。字幕用途ならsrt/vtt、解析用途ならjson/tsvが便利。(GitHub) - パフォーマンス: 大きいモデルほど精度は上がりますが重くなります。GPU が使えない場合は小さめのモデル＋
--fp16 Falseを検討。(AssemblyAI) - インストールの要点:
pip install openai-whisper（または GitHub 版）と、CUDA 対応の PyTorch（GPU 利用時）、そしてffmpegの導入がポイントです。(AssemblyAI) - ライセンス/利用上の注意: モデル・コードは MIT ライセンス。扱う音声の権利・機密性に配慮してください。(GitHub)
参考
- Whisper 公式リポジトリ（README / 使い方）
https://github.com/openai/whisper - CLI の出力形式と
--output_format
https://github.com/openai/whisper/discussions/388
https://github.com/openai/whisper/discussions/1457 - 翻訳タスク（
--task translate）の例
https://github.com/openai/whisper/blob/main/README.md - モデル概要（英語専用
.en/ 多言語）
https://huggingface.co/openai/whisper-large-v3 - 依存関係（ffmpeg の必要性・導入例）
https://assemblyai.com/blog/how-to-run-openais-whisper-speech-recognition-model/
コメント