Whisper

できることは、音声とファイルを文字にすることです。多くの言語に対応し、当サイトの評価では日本語品質が5段階中4で、日本語の音声も実用の水準で扱えます。使い方は2通りで、配布されている仕組みを自分のパソコンやサーバーに入れて動かす方法と、OpenAIのAPIを使って外部から呼び出す方法があります。前者はインターネットに音声を出さずに処理でき、オフラインでも動きます。

使い始め方によって性格が大きく変わります。自分の環境で動かす場合は無料で処理量の制限がない代わりに、環境を構築する作業と、速く動かすためのGPUを備えたパソコンが必要です。APIを使う場合は準備が不要ですが、処理した時間に応じた従量課金が発生します。HuggingFaceや各種のアプリを通じて使うこともでき、MITライセンスで商用利用も認められています。

向いているのは、自前の仕組みに文字起こしを組み込みたい場合と、音声を外部に出せない場合です。手元で動かせば音声がインターネットに出ないため、機密性の高い録音を扱えます。処理量の制限がないので、大量の音声を一括で文字にする作業にも向きます。文字起こしの部分だけを部品として使い、要約や整形は別の仕組みで行う、という組み立て方ができます。過去に溜まった録音を一度に処理したい場合、時間で課金されるサービスでは費用が問題になりますが、自前で動かせばその制約がありません。