ブログ / 2時間の会議録音、文字起こしにどれくらいかかる?

要素1: PCの性能(最大の変数)

ローカル文字起こしは音声認識の計算をPCが実行するため、チップの性能がそのまま速度になります。

• Apple Silicon(M1以降)のMacは有利。 チップ内のAI専用回路(Neural Engine)を音声認識に使えるため、ローカル文字起こしと特に相性がよい環境です。WhisperHUBのMac版はここに最適化したWhisperKit系エンジンを使っています。
• Windowsは幅が広い。 近年のCPUなら実用になりますが、機種の幅が大きいぶん速度の幅も大きくなります。
• 目安の考え方: 「録音時間の"何分の一"で終わるか」。 近年のPCなら録音時間の数分の一、Apple Siliconなど得意な環境では十数分の一(2時間の録音が十数分程度)で終わります。チップが速いほど、この時間はさらに短くなります。

要素2: モデルのサイズ(精度との交換)

Whisper系のモデルは複数サイズがあり、大きいほど高精度・低速、小さいほど高速・低精度です。WhisperHUBでは145MBの軽量モデルから約1GBの高精度モデルまで選べます。

おすすめの運用は「本番はLarge級に固定し、急ぎのときだけ小さいモデルに切り替える」です。修正時間まで含めた合計では、高精度モデルの方が速いことがよくあります。

要素3: 音声の中身(無音と話者分離)

• 無音・沈黙の多い録音は実質的に速い。 処理は発話区間が中心なので、会話が疎らな2時間と喋りっぱなしの2時間では、後者の方が時間がかかります。
• 話者分離をオンにすると処理が増える。 「誰が話したか」の解析(仕組みはこちら)が追加で走るぶん、合計時間は延びます。話者が不要な独り言メモではオフにすると速くなります。
• 録音の質は速度より精度に効く。 雑音だらけでも処理時間はさほど変わりませんが、誤認識が増えて修正時間が延びます。合計時間で見ればマイク品質も「速度対策」です。

要素4: 初回だけの準備時間

「思ったより遅い?」の正体が、実は初回限定の準備であることがよくあります。

1. モデルのダウンロード(初回のみ)。 145MB〜約1GBを一度だけ取得します。回線次第で数分です。
2. モデルの初期化(初回のみ)。 特にMacでは、モデルをNeural Engine向けに最適化する処理が初回だけ走り、数十秒待つことがあります。2回目以降はほぼ一瞬です。「初期化中…」で止まって見えても故障ではありません。

実測: Mac と Windows で11分の音声を処理すると

実際に測りました(2026-07-20実測)。同じ音源を、Mac と Windows の2機種で流しています。

Mac(最安級のApple Silicon)

使ったのはあえて最安級のApple Silicon、Mac mini(M1・メモリ16GB・2020年発売)です。最新の上位チップなら、これより速くなります。

Windows(低価格帯の薄型ノート)

同じ音源を、あえて条件の厳しいWindowsノートでも測りました。Dell Inspiron 5415(AMD Ryzen 5 5500U・6コア・メモリ16GB・2021年発売)です。GPU支援なしのCPU処理になります。

測定条件: 連続発話11.2分の日本語音声(合成音声・無音ほぼなし=実際の会議より発話が詰まった、時間がかかりやすい条件)/ WhisperKit系エンジン / 話者分離オフ / モデル準備済みの2回目実行を計測(初回のみモデル最適化で追加時間がかかり、Large v3は初回だけ4分17秒でした)。話者分離をオンにすると、この時間に解析分が上乗せされます。Windows側は同一音源・同一設定で、アプリ同梱の実バイナリをアプリ本体と同じ引数で実行して計測しました。

自分の環境で見積もる方法

カタログ値より確実な方法があります。10分の録音を1本、実際に処理してみることです。

1. 手持ちの録音から10分程度のものを選ぶ(なければ2時間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. 「録音10分あたり◯分」がわかれば、あとは掛け算です。2時間の会議なら12倍してください。

※上の表は換算の考え方です。実測1回でこの表のどの行に当てはまるかがわかります。

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。自力でWhisperを動かして測ってみたい方は Whisperをそのまま使う vs アプリで使う もどうぞ。