ブログ / M1 Mac miniで実測

測定条件(正直に開示します)

速度の数字は測定条件で大きく変わるため、先に条件をすべて開示します。ここを隠した「◯倍速!」は当てになりません。

結果: モデル別の処理時間

11.2分の音源を処理し終えるまでの実時間です(2回目採用)。

※Large v3は初回のみモデル最適化が走り4分17秒かかりました。2回目以降は上記の速度で安定します(「初期化中…」で止まって見えても故障ではありません)。

「録音時間の◯分の1」で読む

処理時間は音源の長さにほぼ比例します。だから「録音時間の何分の1で終わるか」を覚えておけば、どんな長さでも掛け算で見積もれます。

• 推奨モデル(高精度)は録音の約7分の1。 1時間の録音なら約9分、3時間の審議会でも約26分です。
• Smallなら約10分の1、Tinyなら約47分の1。 速報用途ではTinyが圧倒的で、2時間の録音が2分半で「当たりをつけられる」文字になります。
• M2以降のMacなら、この比はさらに小さくなります。 この実測はApple Siliconの下限(M1・2020年)での数字です。

どのモデルを選ぶか

• 基本は推奨モデル(高精度)固定でOK。 Apple Siliconなら2時間でも十数分なので、精度を落とす理由がほぼありません。修正時間まで含めた合計では高精度が一番速いです(校正の技術)。
• 速報が欲しいときだけTiny。 誤りは増えますが「会議で何が話されたか」の把握には十分です。
• 話者分離をオンにすると処理時間は延びます。 「誰が話したか」の解析が追加で走るためです(仕組み)。それでも録音時間より速く終わる感覚は変わりません。

自分の機種で見積もる方法

お使いのMacがM1でなくても大丈夫です。10分の録音を1本、実際に処理してみるのが一番確実です。

1. 手持ちの録音から10分程度のものを選ぶ(なければ本番の録音でそのまま計ってもOK)。
2. 普段使う予定のモデル・話者分離設定で文字起こしし、所要時間を計る。
3. 「10分あたり◯分」がわかれば、2時間なら12倍。これで自分の機種の早見表ができます。

WhisperHUBの無料トライアルは登録不要で全機能が使えるので、この実測がそのまま購入判断の材料になります。速度が何で決まるのかの理屈は時間を決める4つの要素に、低スペックPCでの検証は低スペックWindows実測にまとめています。