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: 「録音時間より短いか」。 実用ラインは「2時間の録音が2時間未満で終わる(実時間より速い)」こと。近年のPCならこのラインは一般に超えられ、性能が高いほど「録音時間の数分の一」に縮んでいきます。

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。

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。