はじめに
プライバシーを重視するMacユーザー――学生、独立系ジャーナリスト、研究者など――にとって、Macで使える無料の文字起こしソフトは作業効率を一気に高める存在です。Apple Silicon搭載Macで完全にオフラインで作業すれば、機密性の高い録音をクラウドにアップロードする必要がなく、定額課金も避けられ、自分のワークフローを自由にコントロールできます。Whisperをベースにしたローカルツールでそれが実現できますが、macOSへの導入や最適化は必ずしも簡単ではありません。
このガイドでは、M1/M2 MacでWhisperをローカル動作させる手順、必要なハードウェア条件、音声の事前準備、バッチ処理の工夫、そしてSRT・DOCX・Markdownなどへの書き出し方法までを解説します。さらに、全てをローカルで完結させる方法と、リンク・アップロード型で洗練された文字起こしを自動生成してくれるサービス（例：SkyScribe）との比較も行い、利便性・話者識別・タイムスタンプ精度をどこまで重視するか判断できるようになります。
MacユーザーがローカルWhisperを選ぶ理由
プライバシーとデータ管理
ローカル処理なら音声ファイルはMacの中に留まり、外部に送られることはありません。機密性の高いインタビューを扱うジャーナリストや研究者にとってこれは不可欠です。最近の情報漏洩やAI学習へのデータ流用疑惑などを背景に、「録音をアップロードせずに使える」Whisper.cppのようなオフラインツールが支持されています。
無料で大量処理
一度Whisperをローカルにインストールすれば、時間や文字数の上限なく好きなだけ文字起こしができます。長時間の講義録音やインタビューアーカイブを持つ学生・研究者にとって、使用制限を気にせず処理できるのは大きなメリット。中には、機密内容はローカル、日常的なものはクラウドでといったハイブリッド活用もあります。
綺麗な音声なら高精度
音声を適切に整えることで、英語の場合は95〜98％の認識精度が期待できます。例えば16kHzモノラルへのリサンプリングや音量の標準化によって誤認識を大幅に減らせます。ただし、SkyScribeのように話者区分や整ったセグメントを自動付与する機能はローカルWhisperにはなく、整形作業が必要になります。
ハードウェア要件と性能のバランス
Whisperのモデルサイズは速度とメモリ消費に直結します。
- base.enモデル：最速。M2 Airならほぼリアルタイムで文字起こし。ただし大型モデルより10〜15％精度が劣ります。
- large-v3モデル：8GB以上のRAMが必要。英語精度はほぼ完璧ですが、Metal非対応だと2〜5倍遅くなります。
ベンチマークでは、Whisper.cppのggml-large-v3-turboモデルがM2/M3チップで3分の音声を約20秒で処理。速度と精度のバランスが良く、人気の選択肢となっています。
Apple Silicon向け最適化
OpenAI公式のPython版WhisperはARM最適化が不十分な場合があり、速度低下の原因になりますが、Whisper.cpp（Metal対応）ならほぼ解消します。インストールはHomebrewまたはDMGから可能。CLI派はスクリプトの自由度が高く、GUI版はターミナルを使わずに済むため初心者向けです。
詳しい手順はこちらのM1インストール解説を参考にしてください。
音声を準備するポイント
Whisperは「どんなファイルもそのまま動く」と思われがちですが、音量が揃っていないものやノイズの多い音声は誤認識を招きやすいです。
事前処理ステップ
- 音量の標準化：-16dB程度に調整し、クリッピングを防いで認識の安定性を高める。
- ノイズ除去：
ffmpegのノイズゲートでハムやノイズを除去。 - リサンプリング：16kHzモノラルWAVに変換して処理負荷を下げ、明瞭度を上げる。
音声を整えずに使うとWhisperは「精度が低い」という印象に。実際はきれいな入力が精度を大きく改善します。
macOSでWhisperをインストールする
GUIとCLIの違い
- App StoreやDMG版：ターミナルを使いたくない人に最適。ダウンロードしてアプリケーションへコピーし、モデルを読み込むだけ。
- Homebrew＋CLI：アップデートやバッチ処理に強く、上級ユーザー向け。
CLIでのセットアップ例：
```bash
brew install ffmpeg
brew install whisper.cpp
whisper --model base.en --file interview.wav
```
Metal最適化や性能調整のコマンドはPodnewsのインストールTipsを参照してください。
バッチ処理の工夫
大型モデルを使うとローカルのバッチ処理は遅くなりがちですが、スクリプト化で効率化できます。
- フォルダループ：ディレクトリを順に処理するシェルスクリプト。
- Metalリソースパス設定：
GGML_METAL_PATH_RESOURCESなどの環境変数を設定して速度向上。
講義シリーズや大量のインタビューに便利ですが、瞬時に整形した結果が欲しい場合は話者識別付きのリンク・アップロード型サービス（例：SkyScribe）の方が整形作業を自動化できます。
Macでの書き出し形式
Whisperは以下の形式に対応しています：
- SRT/VTT：タイムスタンプ付き字幕用。
- TXT/Markdown：分析用の生データに便利。
- DOCX：見栄えを整えるには後加工が必要。
ローカル処理なら生テキストを持ち出さずに編集できますが、公開用に整えるには人手が必要。クラウドサービスは分割・整形済みの文章をそのまま納品してくれるケースが多いです。
ローカルとクラウド型の比較
| 項目 | ローカルWhisper（whisper.cpp） | アップロード型サービス（例：SkyScribe） |
|--------------|--------------------------------|------------------------------------------|
| プライバシー | データ送信なし | 保存・共有のリスクあり |
| 精度 | 音声準備次第で高精度 | 話者ID・タイムスタンプ付きで整形済み |
| 利便性 | 一度設定すればオフライン・バッチ可能だが起動は遅め | 即時結果、継続課金あり |
話者識別やリアルタイム分割、多言語翻訳が必要な場合はクラウドツールを併用すると便利です。自動整形機能を使えば、大文字小文字や句読点、不要語の削除を瞬時に行ってくれます。
macOS Whisperのよくある問題と対処法
インストールエラー
tiktokenやRustのコンパイル、Xcodeツール不足などが原因。先にXcodeコマンドラインツールを入れましょう：
```bash
xcode-select --install
```
モデルダウンロードの停止
回線が遅い場合はGGMLモデルを手動で取得し、Whisper.cppのディレクトリに置く。
権限のブロック
VenturaやSonomaではCLIツールのファイルアクセス許可が必要。システム設定から調整してください。
精度確認と判断のためのテスト
まずは10〜30秒の短い音声で試験してから本番に進みましょう。M2チップならbase.enは10秒以内に完了するはずです。以下の条件が揃う場合はクラウド併用も検討すると良いでしょう：
- 複数の話者がいる
- 1時間以上の音声
- 同時翻訳が必要
無料ローカルモデルから、有料アップグレードやクラウド利用へ切り替える価値があるケースもあります。
まとめ
Macで使える無料文字起こしソフトをWhisperで構築すれば、Apple Siliconユーザーは他にないプライバシーと制御性を手に入れられます。最適化したインストール、音声準備、バッチ処理を組み合わせれば、高精度を維持しながら定額費用ゼロで運用可能です。ただし話者識別、タイムスタンプ、瞬時の整形などは、SkyScribeのようなクラウド型が手間を省きます。
機密性を最優先するならローカル。速度や整形、多言語対応が必要ならハイブリッド型で両方のメリットを享受しましょう。
よくある質問
1. MacでWhisperを完全オフラインで使えますか？ はい。Whisper.cppとMetal対応を組み合わせればApple Silicon Macでクラウドに送らずに動作できます。
2. base.enとlarge-v3モデルの違いは？ base.enは高速ですが精度がやや低く、large-v3は高精度ながらメモリと処理時間が多く必要です。
3. Whisperの精度を上げる方法は？ 音量を標準化し、ノイズ除去を行い、16kHzモノラルWAVに変換してから文字起こしします。
4. ローカルWhisperとクラウドの使い分けは？ 機密性が高く大量処理が必要な場合はローカル、話者ラベルやタイムスタンプが必要な場合はクラウド併用が便利です。
5. Whisperは字幕形式に書き出せますか？ はい。SRTやVTT形式にタイムスタンプ付きで書き出し可能で、字幕や編集用に利用できます。
