Whisperとは？
Whisper（ウィスパー）は、OpenAIが2022年に公開した音声認識モデルです。人の話し声を高精度で文字に変換でき、日本語を含む多言語に対応します。最大の特徴は、オープンなモデルとして無料公開されたことで、世界中の文字起こしツールやアプリの中身として採用される「音声認識の標準部品」になりました。
何がすごかった？
- 雑音や話し言葉に強い：Web上の膨大な音声データで学習し、実環境の音声に強い
- 多言語対応：日本語の認識精度も高く、翻訳を挟んだ文字起こしも可能
- オープン公開：誰でも無料でダウンロードして自分のPCやサービスに組み込める
それまで高価な専用サービスが必要だった高精度文字起こしが、一気に民主化されました。
どこで出会う？
Whisperの名前を意識していなくても、議事録アプリ、動画の自動字幕、ボイスメモの文字起こし機能など、裏側でWhisper（またはその派生）が動いているサービスは数多くあります。自分のPCで動かせるため、機密性の高い音声を外部に送らずに文字起こしする用途でも定番です（ローカルLLMと同じ発想です）。
押さえておきたいポイント
「音声認識モデルの代表格で、オープンだから広く使われている」——この一点を知っておくだけで、文字起こしツールの記事や比較レビューの解像度が上がります。なお、認識精度は音質や話し方に左右され、固有名詞の誤認識は残ります。議事録などでは最後に人間が目を通す前提で使うのが実務の基本です。OpenAIのその後の音声技術や、各社の競合モデルの土台として、音声AIの歴史に残る存在です。
Whisperを手軽に試すなら、Whisperを組み込んだ文字起こしアプリやWebサービスを使うのが早道です。開発者ならOllamaのように手元で動かす選択肢もあります。
名前は「ささやき」という意味の英語です。ささやき声まで聞き取る、という命名かどうかは公式には語られていませんが、覚えやすい名前も普及を後押ししました。