faster-whisperを動かすPCとマイクの選び方

録音をPCの中だけで文字起こししたい、という用途で、faster-whisperを使う小さなWindowsアプリを作ったことがあります。そのとき最初に気になったのは、精度よりも「このPCで最後まで動くのか」でした。

この記事では、その経験と、公式の資料から確認できる数値を分けて書きます。先に断っておくと、会議録音用のマイクやレコーダーは、私は買っていません。マイクの話は、選ぶときに調べた一般的な考え方にとどまります。処理時間の実測値も、この記事のためには取っていません。

faster-whisperとは、何が要るのか

faster-whisperは、音声認識モデルのWhisperを高速に動かすためのライブラリです。公式のREADME（2026年9月30日確認）では、Pythonは3.9以上、音声の読み込みにPyAVを使うのでFFmpegを別に入れる必要はない、と案内されています。GPUで動かす場合は、NVIDIAのcuBLASとcuDNNが要ります。GPUがなくても、CPUだけで動かせます。

私が作ったアプリは、CPUで、軽いint8の設定を使いました。使うモデルの大きさは、環境変数で切り替えられる作りにしています。GPUのないPCでも動かせる点を重視しました。

PCで見るべき点は、メモリとCPU

READMEには、機種を決めた上での測定値が載っています。ここが、PC選びの手がかりになります。CPUの例では、Intel Core i7-12700Kを8スレッドで使い、smallモデルを動かしたときの結果が示されています。

これは、プロジェクト側が特定の機械で測った値です。私のPCで出た数字ではありません。読み取れるのは、速く処理する設定にすると、メモリを多く使う傾向があることです。バッチを使うと処理は速くなる代わりに、メモリも増えています。

この数字から、少なくとも次のことが言えます。メモリが少ないPCでは、ほかのアプリを開いたまま文字起こしを走らせると、余裕がなくなる可能性があります。ExcelやブラウザをPCで同時に使うなら、なおさらです。メモリが足りないときの見分け方は「ネットが遅い」の正体がメモリ不足だったときに書く予定です。

GPUは必要か

READMEでは、GPU（RTX 3070 Ti）でlarge-v2モデルを13分の音声に使った例が載っています。FP16で約4.5GB、INT8で約2.9GBのVRAMを使い、処理時間は1分前後と示されています。GPUがあれば速くなるのは確かなようです。

ただ、会議の文字起こしは、リアルタイムである必要がない場面が多くあります。終わったあとに、寝ている間に処理する使い方なら、CPUだけでも実用になり得ます。GPUのために新しいPCを買う前に、いまのPCで一度動かして、待てる時間かを確かめる順番がよいと私は考えています。この判断は、実測をしていない私の見立てなので、条件が違えば結論も変わります。

保存容量も見ておく

録音ファイルは、文字に比べて桁違いに大きくなります。文字起こしのたびに、元の音声、変換したWAV、文字の結果と三つが増えると、容量はすぐに膨らみます。処理が終わった変換ファイルを消すのか、残すのかを、最初に決めておくと管理が楽です。バックアップの考え方は会議録と音声をどこに保存し、どう残すかにまとめています。

実際に詰まったのは、周辺のこと

私が作ったときに詰まったのは、PCの性能より周辺でした。MP3などを読み込めないときは、FFmpegを入れてPATHを通すか、いったんWAVにしてから読み込む必要がありました。Windowsでスクリプトの文字コードが合わずに動かない、という詰まり方も経験しています。

文字起こしのあとは、整形を無料のAIのWeb画面にコピーして任せる形にしました。音声は外に出さず、文字だけを出す形です。それでも、文字の中に固有名詞や金額が含まれるなら、外に出してよい内容かの確認が要ります。

マイクやレコーダーは、検討として調べたこと

ここからは、機材を持っていない立場での話です。製品の名前や使い心地は書けません。選ぶときに何を見ればよいかだけを書きます。

文字起こしの精度は、モデルより先に、録音の音が決めることが多いと言われます。一般的には、話している人に近い位置で録るほど、周りの雑音や反響の影響が減ります。会議室で全員をまとめて録るなら、机の中央に置ける形か、複数の人の声を拾える向きかを確かめるとよいでしょう。

買う前に確認したい点は、次のとおりです。

• 録音したファイルの形式は何か（WAVで取り出せると、後の変換が楽になる）
• PCへ取り込む方法は何か（USB接続、SDカード、アプリ経由など）
• 録音できる時間と、電池の持ちはどうか
• 会議の部屋の広さと人数に合う向きか

この四つは、いまPLAUDを使っている私にとっても、比較するときの物差しになっています。PLAUDとの使い分けはPLAUD・スマホ録音・ローカル文字起こしの使い分けに書きました。

向いていない人と、次にやること

PC内で文字起こしを動かす方法は、外に出せない録音を扱う人には筋が通っています。一方、録音のたびにファイルを移し、変換し、整形する手間を負いたくない人には向きません。手間を減らしたいなら、録音から文字起こしまで一続きのサービスを選ぶほうが楽でしょう。

私が次にやりたいのは、いまのPCで長めの音声を実際に処理し、時間とメモリを測ることです。測れたら、READMEの数値の隣に、私の環境の数値を並べて書き直します。