はじめに
Whisper Local は、OpenAI の Whisper 系モデル(Core ML 版)を使って、Mac の中だけで音声を文字にするアプリです。最初にモデルを準備すれば、そのあとの文字起こしはオフラインで動きます。
まずはセットアップガイドで、モデルを 1 つ準備しましょう。

セットアップガイドでモデルを準備する
初回起動時にセットアップガイドが開きます。「ようこそ → 言語 → モデル → 話者 → 書き出し → 試す → 完了」の順に進みます。
- 言語:文字起こしする音声の言語を選びます。
- モデル:「このモデルを準備する」を押すと、モデルを取得して使えるようにします。macOS 26 以降では「Mac標準の音声認識(取得不要)」も選べ、モデルを取得せずに進めます(Whisper はあとから設定の「モデル」タブで準備できます)。
- 話者:話者識別を使う場合は、「話者モデルを準備する」(約 11 MB)を押します。使わない場合はオフのまま進みます。
- 書き出し:目的(議事録・メモ、表計算で整理、動画の字幕、YouTube字幕)から、保存の形式を選びます。
- 試す:「サンプル音声で試す」か「自分のファイルで試す…」で、実際に文字起こしします。
- 完了:「使い始める」を押して終わります。
「あとで設定する」で途中でやめることもできます。ガイドは、メニューの「セットアップガイド…」や、設定の「モデル」タブの「ガイドを開く」でいつでも開き直せます。
モデルの選びかた
| モデル | 大きさ | 向いている使い方 |
|---|---|---|
| Large v3 Turbo(標準) | 約 1.6 GB | 日本語を含む多言語 |
| Turbo Compact | 約 650 MB | 容量を節約したいとき |
| Base English | 約 150 MB | 英語だけのとき(英語専用) |
設定の「診断」で、手元の音声を使って速度を実測できます。
Whisper では初回だけ、モデルをこの Mac 向けに変換するため数分〜10 分ほどかかります。進み具合は画面に表示されるので、そのままお待ちください。次回からは短時間で済みます。
基本操作
ファイルの文字起こし
- 音声や動画のファイルを、ウィンドウにドロップします(メニューの「ファイルを開く…」⌘O でも選べます)。
- 「文字起こしを開始」(⌘↩)を押します。
- 終わると結果が表示されます。本文はその場で直せます。コピーしたり、「結果を保存…」(⌘S)で保存したりできます。
処理中も画面は操作でき、いつでも取り消せます。
- 対応形式:WAV・M4A・MP3・MP4・MOV など、macOS が読める形式
- 長さ:1 ファイル最長 2 時間(それより長い場合は分割してください)
- 言語:日本語・英語・自動検出ほか多言語。処理中は、文字起こししている言語を表示します(自動検出では区間ごとの判定で最も多い言語を結果の言語にします)
変換エンジンの選びかた
設定の「モデル」タブにある「文字起こし」の「変換エンジン」で選びます。どちらもこの Mac の中だけで処理し、話者識別・区間の確認・字幕・辞書は共通で使えます。
- Whisper(高精度・多言語):標準。取得したモデルで処理し、約 100 言語と言語の自動検出に対応します。同じ言葉を繰り返してしまう区間は、自動で処理し直します。
- Mac標準の音声認識(高速):macOS 26 以降。Whisper のモデルの取得や初回の変換が要りません(その言語を初めて使うときは、macOS が言語のデータをダウンロードします)。言語の自動検出はできないため、「自動検出」ではこの Mac の言語で文字起こしします。使える言語は Whisper より少なめです。
約 10 分の動画を処理した実測例では、全体で約 1 分半でした(Mac の性能により変わります)。
リアルタイム文字起こし
- 右上のマイクのボタン(⌘⇧R)で開きます。
- マイク(標準は「システムの設定に従う」)とエンジンを選び、「開始」(⌘↩)を押して話します。
- 初回は、マイクの使用許可を求められるので「許可」を選びます。
- 「停止」(⌘↩)で終わります。
確定した文字は通常の色、途中の文字は薄い色で表示されます。マイクを使うのは「開始」から「停止」までの間だけです。
エンジンの選びかた
- Mac標準(すぐ開始):押してすぐ始まり、話すのとほぼ同時に文字が出ます。macOS 26 以降で使えます。
- Whisper(高精度):精度を重視するとき。開始に数秒、インストールやアップデート直後の初回は 1〜3 分かかります。録音はすぐに始まり、準備ができるとそれまでの話も文字になります。
macOS 26 より前の Mac では、エンジンの選択欄は表示されず、Whisper を使います。
辞書の置き換えと句読点の設定は、リアルタイムにも適用されます。停止後は「コピー」「録音をFinderで表示」「録音を高精度で文字起こし」が使えます。「録音を高精度で文字起こし」は、録音をファイルの文字起こしと同じ方法(設定の変換エンジン)で処理し直すもので、話者識別や字幕の保存もできます。
録音とテキストの保存
標準では、録音(WAV)とテキストを ~/Library/Application Support/WhisperLocal/Live に保存します。テキストは「停止」したときに保存します。設定の「リアルタイム」で、保存のオン・オフ、保存先(「書類」など)、古いものの自動削除(7〜90 日より前のものをゴミ箱へ移動。標準はオフ、期間は 30 日)を、録音とテキストそれぞれに設定できます。「今すぐ整理」で、期間を過ぎたものをすぐに移動することもできます。
音声入力(どのアプリでも)
メール・チャット・AI への指示など、どのアプリを使っているときでも、話した言葉をカーソル位置に入れられます(0.3.20 以降)。
- 文字を入れたい欄をクリックして、カーソルを置きます。
- ⌥End を押します。End キーのないキーボードでは ⌥fn→ です。画面の下に黒い帯が出て、話した言葉が表示されます。帯の波形は声に合わせて流れ、マイクが声を拾っていることを確かめられます(音が割れるほど大きいと赤になります)。
- 話し終えたら、もう一度 ⌥End を押します。カーソル位置に文字が入ります。
取り消すときは esc か、帯の × を押します。帯はドラッグで動かせ、次からはその位置に出ます。キーは設定の「音声入力」で変えられます。
最初に 1 回だけ:アクセシビリティの許可
ほかのアプリに文字を入れるには、macOS の「アクセシビリティ」の許可が必要です。設定の「音声入力」で「許可する…」を押し、開いたシステム設定の一覧で Whisper Local をオンにしてください。許可がない間は、文字をクリップボードにコピーするだけになります(⌘V で貼り付けられます)。
入れる文字のスタイル
- そのまま(標準):認識した文字をそのまま入れます。
- 記録:言葉は一切変えず、空白と句読点の重なりだけ整えます。
- 整える:「えーと」「あのー」などのつなぎ言葉を取り除きます。「あの店」「その件」のような普通の言葉は残します。
Mac の内蔵 AI(Apple Intelligence。macOS 26 以降でオンのとき)を使って、用途に合わせて整えることもできます(0.3.21 以降)。処理はこの Mac の中だけで行います。
- AIへの指示:AI に送る指示として、つなぎ言葉と言い直しを取り除きます。背景・理由・条件はすべて残し、説明・依頼・質問の形も変えません(例:「えーと、うちのチームは今週リリースを控えてて、あの、テストが追いついてないんだけど、何からやればいいか提案して」→「うちのチームは今週リリースを控えていて、テストが追いついていない。何からやればいいか提案してください。」)。
- AIへの指示(項目立て):AI に送る指示を「【依頼内容】」と「【制約条件】」に整理します。条件は話したものだけを「・」で並べ、条件を話さなかったときは【依頼内容】だけになります(0.3.24 以降。例:「リモートワークについてのコンテンツを作ってほしいんだけど、箇条書きで3点にまとめて、専門用語は使わずに、500文字くらいで」→「【依頼内容】リモートワークについてのコンテンツをまとめてください。【制約条件】・箇条書きで3点にまとめる ・専門用語を使わない ・文字数は500文字程度」)。
- メール:です・ます調の丁寧な文に整え、段落を分けます。挨拶や署名は、話したときだけ入れます。
- チャット:短く自然な話し言葉の文にします。
- 検索:検索欄に入れる言葉にします(例:「渋谷で安いランチの店を探してるんだけど」→「渋谷 安い ランチ」)。
- カスタム:設定に書いた指示に従って整えます。
AI の結果が話した内容から外れていると判断したとき(質問に答えてしまった、話していない内容を加えた、話した内容を省いた、説明の文を依頼に変えた など)は、もう一度だけ AI に頼み直します(0.3.28 以降)。それでも使えないときは、AI の結果を使わずに「整える」の文を入れ、帯に理由を表示します。長い文で一部だけ使えなかったときは、その部分だけを「整える」の文にします。「カスタム」では、箇条書きや要約などの書き換えも通します。指示の欄には、内蔵 AI が守りやすい指示の長さの目安が出ます。各スタイルの AI への指示は、設定の「音声入力」で書き換えて「保存」を押すと使われ、「初期値に戻す」で戻せます。書き換えた指示を使っている間は、設定に「書き換えた指示を使用中」、スタイルの一覧に「(書き換え)」と表示されます。アップデートで初期の指示が新しくなったときは、設定でお知らせします(「新しい初期値にする」で切り替えられます)。
どのスタイルでも辞書の置き換えは行います。話している途中でも、帯の「スタイル」のプルダウンか、⌥↓(次へ)・⌥↑(前へ)で切り替えられます(この 2 つのキーは話している間だけ働きます)。
アプリごとにスタイルを決めておく
設定の「音声入力」→「アプリごとの設定」で、アプリごとにスタイルと入れ方を決めておけます(0.3.22 以降)。たとえばメールアプリでは「メール」、Slack では「チャット」、AI のアプリでは「AIへの指示」と決めておくと、切り替えずに使えます。「アプリを追加」から、起動中のアプリかアプリケーションフォルダのアプリを選びます。そのアプリで音声入力を始めると、帯に「〇〇用」と表示されます。話している途中に帯でスタイルを変えると、その設定のスタイルとして覚えます。
ブラウザのように、ひとつのアプリでいろいろなサイトを使うときは、同じアプリを何度でも追加し、「窓のタイトルに含む語」で分けられます(0.3.28 以降)。たとえば Safari を 2 つ追加し、語を「ChatGPT」にした設定は「AIへの指示」、「Gmail」にした設定は「メール」にしておくと、タブに合わせて切り替わります。どの語にも当たらないときは、語が空欄の設定を使います。どの設定を使うかは、話し終えたときに前面にあるアプリと窓で決めます。
安心して使うための決まり
- 貼り付けに使ったクリップボードは、少し待ってから元の内容に戻します。
- 話している間に別のアプリへ切り替えた場合は、入れずにコピーだけします(設定で変更できます)。
- パスワードの入力欄など、保護された入力中は入れません。
- 録音とテキストはファイルに保存しません。直近 20 件の文字だけを履歴に残し、設定の「音声入力」やメニューバーのアイコンからコピー・もう一度入れることができます。履歴は残さない設定にもできます。
- ウインドウを閉じてもいつでも使えるよう、設定の「連携」で「ウインドウを閉じても常駐する」をオンにしておくと便利です。
編集と書き出し
結果画面の「区間・時刻を確認」から、区間ごとの本文・開始/終了時刻・話者を編集できます。
- 区間を 2 つに分ける、時刻を秒単位で直す
- 話者名を一括で変える(例:「話者 1」→「佐藤」)
- 確認が必要な区間には「確認して確定」ボタンが出ます。時刻を確かめて押すと「確認済み」になります。本文や時刻を直すと、もう一度確認が必要になります
書き出せる形式
TXT・CSV・SRT・VTT・SBV の 5 つです。設定の「出力」タブで、「目的から選ぶ」(議事録・メモ/表計算で整理/動画の字幕/YouTube字幕)か、「保存形式」と「区切り方」を直接選びます。区切り方は「文ごと」「語数ごと」(1〜30 語)「秒数ごと」(0.5〜10 秒、0.5 秒刻み)です。話者識別がオンなら、話者が変わる所でも区切ります。保存されるファイルの見本も確かめられ、「表示中の結果をこの設定で区切り直す」で今の結果に当てはめ直せます。結果画面の保存ボタンの右の「▼」では、表示中の結果だけ保存形式を変えられます(設定の既定は変わりません)。「クリア」を押すと表示中の結果を消して最初の画面に戻ります(結果は履歴に残ります)。
- 字幕形式(SRT・VTT・SBV)で保存するときに、未確定の区間や、時刻の逆転・重なり・範囲外・秒数の上限超えがあると、黙って書き出さずに確認を求めます。原文は常に残ります。
- CSV は UTF-8(BOM 付き)で保存するので、Excel・Numbers でそのまま開けます。数式として解釈される先頭文字には、アポストロフィを付けます。
履歴と自動保存
元の認識結果と編集内容を、この Mac に保存します。アプリを閉じても、次に開いたときに前回の結果と編集を復元します。設定の「履歴」タブでは、以前の結果を「表示」で開き直せます。「履歴を削除…」ですべての履歴を消せます(音声ファイル・書き出したファイル・モデルは消えません)。
話者識別
設定の「話者」タブで「話者を識別する」をオンにし、「話者モデルを準備」(約 11 MB、初回だけ)を押してから文字起こしすると、話者ごとに区切ります。結果には「[話者 1]」のように話者名が付きます。話者の名前の変更や割り当ての修正は「区間・時刻を確認」でできます。変更はすべての書き出し形式に反映されます。
話者の数や割り当ては推定です。短い相づちや同時に話した部分では誤ることがあります(2 人の会話を 3 人と推定した例があります)。結果は確認してから使ってください。
- 人数を指定する:設定の「話者」の「人数」で、会話の人数(2〜8人)を指定できます。人数が分かっているときに指定すると、話者の取り違えが減ります。分からないときは「自動で推定」のままにしてください(0.3.16 以降)。
- 話者識別がオンのときは、アプリの起動時とオンに切り替えたときに話者モデルを裏で準備します。そのため、最初の文字起こしでも待たずに始まります。
辞書
設定の「辞書」に、よく間違える語を「誤 → 正」で登録すると、文字起こしの完了時に自動で置き換えます。
- 「CSVを読み込む…」「CSVに書き出す…」でまとめて編集できます(1 行に「誤,正」。3 列目に有効 1/無効 0 を書けます)。
- 本文を編集する前なら、結果画面の「置き換え前に戻す」で置き換え前の結果に戻せます。
- 「表示中の結果に適用」で、今表示している結果にも置き換えを当てはめられます。
- 置き換え自体は「文字起こしの完了時に辞書で置き換える」でオン・オフできます。ほかのアプリからの依頼にも適用されます。
- リアルタイム文字起こしと音声入力にも適用されます。
- 4 文字以上の登録語は、カタカナの表記の揺れ(「イーブンリアリティー」と「イーブンリアリティ」のような「ー」の有無、「ウイスパー」と「ウィスパー」のような小さい「ィ」など)を同じ語として置き換えます(0.3.23 以降)。「サベラ」と「サペラ」のように音が違う聞き間違いは、それぞれを別の行で登録してください。
辞書は文脈を判断しません。どちらも正しい言葉になりうる同音異義語(講演/公園など)には向きません。
句読点
句読点が入りにくい日本語の話し言葉に、話の区切りと文末から「、」「。」を補います。英語など日本語以外の単語のあとには入れません。認識した言葉そのものは変えません。設定でオン・オフでき、リアルタイム文字起こしにも適用されます。Mac標準の音声認識では macOS が付ける句読点を使い、オフにすると「、」「。」を取り除きます。
設定
設定画面(メニューの「設定…」)のタブと、主な項目です。各項目の「?」を押すと、その場で説明が出ます。
| 設定画面の項目 | できること |
|---|---|
| モデル | セットアップガイド(「ガイドを開く」)/アップデート(「アップデートを自動で確認する」=起動後と 1 日 1 回の確認のオン・オフ、「今すぐ確認」)/文字起こし(変換エンジン、音声の言語、「句読点(、。)を自動で入れる」)/モデルと準備(取得、「このモデルを使う」、「管理」からの再取得・削除) |
| 診断 | 「音声を選んで測定…」で、手元の音声を使って速度を実測 |
| 話者 | 「話者を識別する」、「人数」(自動で推定/2〜8人)、話者モデルの準備 |
| 出力 | 「目的から選ぶ」、「保存形式」、「区切り方」、保存されるファイルの見本 |
| 辞書 | 「誤 → 正」の登録、置き換えのオン・オフ、CSV の読み込み・書き出し |
| リアルタイム | 録音とテキストの保存のオン・オフ、保存先、古いものの自動削除(7〜90 日) |
| 音声入力 | 「ショートカットで音声入力する」、「開始・終了のキー」(標準は ⌥End)、既定のスタイルと AI への清書のしかた、アプリごとの設定(スタイル・入れ方)、変換エンジン、入れ方(貼り付け/キー入力)、「元のクリップボードに戻す」と待ち時間、「開始したアプリが前面のときだけ入れる」、アクセシビリティの許可の状態、履歴 |
| 履歴 | 保存した結果の「表示」と「履歴を削除…」 |
| 連携 | 「Macへのログイン時に自動で起動する」「ウインドウを閉じても常駐する」、ほかのアプリからの依頼の受付・許可フォルダ・連携アプリの登録 |
常駐と、ほかのアプリとの連携
設定の「連携」で「ウインドウを閉じても常駐する」をオンにすると、メニューバーに常駐し、同じ Mac の許可したアプリから文字起こしの依頼を受けられます。メニューバーのアイコンからは「ウインドウを開く」「リアルタイム文字起こし…」「設定…」「アップデートを確認…」などを選べます。
- 接続は同じ Mac の中(
127.0.0.1)からだけです。ブラウザーからは接続できません。 - 連携アプリごとの認証情報は、キーチェーンに保存します。
- 読み取れるのは、許可したフォルダの中だけです。
icRec などと確認1回で連携する(0.3.15 以降)
icRec などの連携アプリで「Whisper Local と連携する」を押すと、Whisper Local に「「icRec」と連携しますか?」という確認が出ます。読み取るフォルダと依頼したアプリ(同じ開発元のアプリかどうか)を確かめて「連携する」を押すと、常駐・フォルダの許可・連携アプリの登録・依頼の受付がすべて自動で設定されます。ID やトークンを書き写す必要はありません。
- 心当たりのない依頼や、依頼したアプリを確認できないと表示されたときは、「キャンセル」を押してください。
- 同じアプリで連携し直すと、以前の登録は無効になり、新しい登録に置き換わります。
- 自分で設定する場合は、設定の「連携」で「ウインドウを閉じても常駐する」をオン →「フォルダを許可…」→「連携アプリを追加…」(表示された認証情報を控える)→「他アプリからの依頼を受け付ける」をオンにし、認証情報を連携アプリに入力します。
- 連携アプリから裏で起動されたときも、「ウインドウを閉じても常駐する」がオンでセットアップガイドを終えていれば、ウインドウを開かずにメニューバーに常駐して始まります。
Mac の起動時から使う
設定の「連携」で「Macへのログイン時に自動で起動する」と「ウインドウを閉じても常駐する」をオンにすると、ログイン時はウィンドウを開かずにメニューバーへ常駐した状態で起動します。起動したことは、画面右上のバナーで数秒間お知らせします。ウィンドウは、バナーをクリックするか、メニューバーのアイコンの「ウインドウを開く」で開けます。
困ったとき
しずく最初の 1 回が遅いのは、モデルを変換しているからです。
最初の文字起こしがなかなか終わらない
Whisper では初回だけ、モデルをこの Mac 向けに変換するため数分〜10 分ほどかかります。進み具合は画面に表示されるので、そのままお待ちください。次回からは短時間で済みます。
リアルタイムの「Whisper」エンジンがすぐに始まらない
Whisper エンジンは開始に数秒、インストールやアップデート直後の初回は 1〜3 分かかります。録音はすぐに始まっていて、準備ができるとそれまでの話も文字になります。すぐに始めたいときは「Mac標準」を選んでください(macOS 26 以降)。
「Mac標準」エンジンが使えない
「Mac標準」の音声認識(ファイルの変換エンジン・リアルタイムのエンジン)は macOS 26 以降で使えます。それより前の macOS では Whisper を使います。
音声入力で、文字がカーソル位置に入らない(「コピーしました」と出る)
アクセシビリティの許可がないと、文字はクリップボードへのコピーだけになります。設定の「音声入力」で「許可する…」を押し、システム設定の一覧で Whisper Local をオンにしてください。オンにすると、設定の表示が「許可されています」に変わります。オンにしても変わらないときは、一覧の Whisper Local を「−」で削除してから、もう一度「許可する…」で追加してオンにし、アプリを起動し直してください。話している間に別のアプリへ切り替えた場合も、コピーだけになります。
AI を使うスタイルが選べない・「整える」で入る
AI を使うスタイルは、macOS 26 以降で Apple Intelligence がオンの Mac で使えます。使えないときは、設定の「音声入力」に理由が表示されます。AI の結果が話した内容から外れていると判断したときも、AI の結果は使わずに「整える」の文を入れ、帯に理由を出します。何度も見送られるときは、設定の「AIへの清書のしかた」を短く具体的に書き直すか、「初期値に戻す」を押してください。
⌥End を押しても音声入力が始まらない
ほかのアプリが同じキーを使っていると登録できません。設定の「音声入力」に理由が表示されるので、別のキーを指定してください。アプリを終了するとキーも使えなくなるため、「ウインドウを閉じても常駐する」をオンにしておくと安心です。
マイクが使えない
リアルタイム文字起こしには、マイクの許可が必要です。初回に許可しなかった場合や、あとで取り消した場合は、macOS のシステム設定の「プライバシーとセキュリティ」→「マイク」で Whisper Local をオンにしてください。
話者の数や割り当てが違う
話者識別は推定です。短い相づちや同時に話した部分では誤ることがあります。会話の人数が分かっている場合は、設定の「話者」の「人数」で指定すると取り違えが減ります。「区間・時刻を確認」で割り当ても直せます。
辞書で、直したくない言葉まで置き換わる
辞書は文脈を判断せずに置き換えます。どちらも正しい言葉になりうる同音異義語は、登録しないでください。本文を編集する前なら、結果画面の「置き換え前に戻す」で置き換え前の結果に戻せます。辞書の各行の「有効」を外すと、その語だけ置き換えを止められます。
2 時間より長い音声を文字起こししたい
1 ファイル最長 2 時間までです。それより長い場合は分割してください。
字幕を保存しようとしたら、確認を求められた
未確定の区間や、時刻の逆転・重なり・範囲外・秒数の上限超えがある区間があると、黙って書き出さずに確認を求めます。「区間・時刻を確認」で「確認して確定」が出ている区間の時刻を直して確定してから、保存してください。
ログイン時にウィンドウが開かない
「ウインドウを閉じても常駐する」がオンのときは、ログイン時はウィンドウを開かずにメニューバーへ常駐します。画面右上のバナーをクリックするか、メニューバーのアイコンの「ウインドウを開く」で開けます。
解決しないときは、info@k386.sub.jp へメールでお知らせください。
用語
| モデル | 音声を文字にするためのデータ。最初に一度、Hugging Face から取得します |
|---|---|
| Whisper | OpenAI が公開した音声認識のモデル。このアプリは Argmax が Core ML 向けに変換したものを使います |
| Core ML | Mac の中で機械学習のモデルを動かす、macOS の仕組み |
| Hugging Face | モデルの配布元のサイト |
| エンジン | 音声を文字にする認識の方式。ファイルの文字起こし(設定の「変換エンジン」)とリアルタイム文字起こしで、それぞれ「Whisper」と「Mac標準」から選びます |
| 区間 | 文字起こしの結果を、時刻ごとに区切ったひとまとまり。字幕の 1 枚にあたります |
| 話者識別 | 誰が話しているかを推定し、話者ごとに区切る機能 |
| SRT・VTT・SBV | 動画の字幕に使うファイルの形式 |
| キーチェーン | パスワードなどを保管する macOS の仕組み |
| 127.0.0.1 | 「この Mac 自身」を表すアドレス。連携はここからの接続だけを受け付けます |