Buzz文字起こしは、OpenAIの高精度音声認識モデルWhisperをPCローカル環境で完全無料で実行できるオープンソースソフトです。クラウド型の文字起こしサービスで毎月の利用料や社外秘データの漏洩リスクに頭を抱えていませんか。
定額プランを契約しなくても、手元のPCスペックを活かせば無制限に文字起こしを行えます。議事録の作成や動画字幕の生成を安全かつ低コストで進めたい人にとって、Buzzは筆頭の選択肢になります。
Buzz文字起こしとは？PCローカルでWhisperを動かす仕組み
Buzz文字起こしは、OpenAIの音声認識モデルWhisperをパソコンの内部で直接動かして、ネット接続なしで音声や動画を文字にする無料ソフトです。複雑なコマンド入力を必要とせず、グラフィカルな画面操作だけで文字起こしを完結できます。
[音声・動画ファイル]
│
▼
[PCローカル環境（Buzz）] ─── (外部通信なし・完全オフライン)
│
├─ Whisperモデル処理 (CPU / GPU)
│
▼
[テキスト・SRT・VTT書き出し]
Buzz文字起こしとは、高機能なAI音声認識技術を一般のパソコン操作画面に落とし込んだデスクトップアプリケーションです。内部ではOpenAIが公開した学習済みモデルを直接読み込み、PCの計算能力を使って音声の波形を文字データへと変換します。
一般的な文字起こしサービスは、音声をサーバーへアップロードして処理します。一方、Buzzは一度モデルファイルを保存すれば、完全にオフラインの状態で音声認識を完結させます。通信料の心配もサーバー側の混雑待ちも生じません。
文字起こし作業の費用を抑えたい場合は、他の無料手法との違いを知っておくと役立ちます。動画の文字起こしを無料でする方法5選｜MP4から字幕・議事録まで (2026年版)でも各種手法を比較しています。
編集部のおすすめ
会議の
ZoomやGoogle Meetの会議を文字にして、要点とやることを自動でまとめます。
初月10ドルオフ（新規ユーザー）
会議の録音でなく自分の声をその場で文章にするなら。Mac・Windows・iPhoneのどのアプリにも入力できる
AI音声・文字起こし ／ 最低料金 ¥0〜
Buzz文字起こしを導入するメリットと他の文字起こしサービスとの違い
Buzzの最大の強みは、利用料金が一切発生しない点とデータが外部に出ない安全設計にあります。クラウド型の大手文字起こしサービスと比較すると、その性質の差が浮き彫りになります。
次の表は、Buzzと代表的なクラウド型文字起こしサービスの主要項目を比較したものです。
| 比較項目 | Buzz | 一般的な |
|---|---|---|
| 利用料金 | 完全無料（無制限） | 月額1,000円〜数万円（時間従量制あり） |
| 音声データの送信先 | なし（端末内で完結） | クラウドサーバー（暗号化通信） |
| オフライン動作 | 対応（モデル保存後） | 不可（ネット接続が必須） |
| 処理速度の決定要因 | 自分のPCスペック（GPU/CPU） | サービスのサーバースペック |
| インストールの難易度 | アプリのダウンロードのみ | 不要（ブラウザで完結） |
クラウドサービスは手元のPCスペックが低くても高速に処理できる利点があります。反面、月間の処理可能時間が厳しく制限される傾向があります。長時間の音声や機密会議を日常的に扱う職場では、Buzzの制限のない設計が重宝します。
もしブラウザ完結の代替ツールを探しているなら、Notta代替ツール10選｜無料・日本語・オープンソースで選ぶ文字起こし (2026年版)が参考になります。
Buzzの動作要件と推奨PCスペック
Buzzを快適に動作させるには、パソコンのハードウェア構成が極めて重要です。Whisperモデルは大量の計算を行うため、グラフィックボードの有無やメモリ容量が処理時間に直接反映されます。
次の表は、Buzzを動かすための最低要件と、快適に処理するための推奨スペックをまとめたものです。
| パーツ | 最低動作要件 | 推奨スペック |
|---|---|---|
| OS | Windows 10/11, macOS 12以降 | Windows 11, macOS最新版（Apple Silicon） |
| CPU | Intel Core i5 / AMD Ryzen 5（4コア） | Intel Core i7以上 / Apple M2・M3・M4チップ |
| メモリ（RAM） | 8 GB | 16 GB 〜 32 GB以上 |
| GPU | CPU内蔵グラフィックス | NVIDIA GeForce RTX 3060以上（VRAM 8GB以上） |
| 空きストレージ | 10 GB以上の空き容量（SSD推奨） | 30 GB以上の高速NVMe SSD |
内蔵GPUのみのノートPCでも、軽量なモデルを選べば実用的な速度で動作します。ただし、高精度なモデルを動かしたい場合は、NVIDIA製GPUを搭載したデスクトップPCか、ユニファイドメモリを多めに積んだApple Silicon Macが一択となります。
長時間の音声を頻繁に扱う人は、作業前に自身のPCスペックをシステム設定画面から確認してください。
毎週月曜の朝に、今週のAIの主なニュース・新しく載ったツール・よく読まれた記事をまとめて届けます。登録特典は「AIツール選定チェックリスト 2026」。
確認メールのボタンを押すと登録が完了します。配信はいつでも解除できます。
Buzzのインストール手順【Windows・Mac対応】
Buzzのインストール作業は、公式サイトであるGitHubのリリースページから配布ファイルをダウンロードするだけで完了します。プログラミングの知識やコマンド操作は必要ありません。
まずはGitHubのBuzzリポジトリ（chidiwilliams/buzz）のReleasesページへ移動します。
【Windowsの場合】
1. Buzz-x.x.x-windows.exe をダウンロード
2. ダウンロードしたインストーラーを起動
3. 画面の案内に従って「次へ」をクリックし完了
【Macの場合】
1. Buzz-x.x.x-mac.dmg をダウンロード（Apple Silicon / Intelを確認）
2. dmgファイルを開き、BuzzアイコンをApplicationsフォルダにドラッグ
3. アプリ起動時に警告が出た場合は「システム設定」の「プライバシーとセキュリティ」から許可
Windows環境でNVIDIA製グラフィックボードを使用している人は、事前にグラフィックドライバを最新版に更新してください。CUDAドライバが適切に当たっていない場合、自動的にCPU処理へ切り替わって処理が遅くなります。
Mac環境では、初回起動時に開発元が未確認である旨のセキュリティ警告が表示される場合があります。その際はシステム設定のセキュリティ項目から「このまま開く」を選択すれば問題なく起動できます。
より多様なAI音声ツールや文字起こし技術の全体像を把握したい場合は、AI音声・文字起こしカテゴリの最新情報を確認しておくと視野が広がります。
Buzzで音声ファイルを高精度に文字起こしする基本手順
Buzzの操作画面は無駄がなく、ファイルを追加して設定を選ぶだけで文字起こしが始まります。初めて使う人でも迷わず進められる直感的なUIが整っています。
[手順1] アプリ左上の「＋」ボタンをクリックして音声・動画ファイルを読み込む
↓
[手順2] 文字起こし設定ウインドウで「Task」に「Transcribe」を選択
↓
[手順3] 「Language」を「Japanese」に指定（またはDetect Language）
↓
[手順4] 「Quality」から用途に合ったモデル（Base, Small, Medium等）を選択
↓
[手順5] 出力形式（TXT, SRT, VTT）を指定して「Run」を実行
基本手順における最大の注意点は、Taskの選択ミスです。「Transcribe」は元の言語のまま文字起こしを行いますが、「Translate」を選ぶと英語へ自動翻訳されてしまいます。日本語のテキストが必要な場面では、必ずTranscribeを選んでください。
ファイルの読み込み後は、画面中央のリストにタスクが追加され、プログレスバーで進捗率が表示されます。処理が完了するとステータスが「Completed」に変わり、ダブルクリックでテキスト内容を確認できます。
YouTube上の動画を元にテキスト化したい場合は、事前に音声ファイルを抽出しておくか、専用のブラウザ拡張機能を併用する方法もあります。YouTube文字起こしAIツール5選！無料機能やChatGPT連携でテキスト化する手順 (2026年版)でも具体的な手順を取り上げています。
Whisperモデルの選び方は？TinyからLargeまでの速度と精度のバランス
Buzzでは複数のWhisperモデルから、用途やマシンスペックに応じて使用するモデルを選択できます。モデルのサイズが大きくなるほど認識精度が上がりますが、その分だけ処理時間と必要メモリが増大します。
次の表は、各モデルの容量、処理速度の目安、推奨される用途を比較した一覧です。
| モデル名 | ファイル容量 | 速度の | メモリ消費 | 推奨される |
|---|---|---|---|---|
| Tiny | 約75 MB | 爆速（実時間の5〜10倍速） | 約1 GB | メモ書きの即時確認・粗起こし |
| Base | 約140 MB | 高速（実時間の3〜5倍速） | 約1.5 GB | 音質が良い1対1のインタビュー |
| Small | 約460 MB | 中速（実時間の1〜2倍速） | 約2.5 GB | 一般的な会議議事録・講義音声 |
| Medium | 約1.5 GB | 低速（実時間と同等〜やや遅い） | 約5 GB | 複数人の雑談・専門用語を含む音声 |
| Large | 約3 GB | 最も低速（GPU必須） | 約10 GB | 雑音が多い環境・完璧な精度を求める音声 |
日常のミーティング記録であれば、Smallモデルが速度と精度のバランスにおいて最も優秀です。CPUのみのノートPCでSmallを動かすと若干の待ち時間が発生しますが、誤字は実用的な範囲に収まります。
一方で、学会の発表や専門用語が飛び交う対談など、聞き取りが難しい音声にはMedium以上のモデルが必須となります。自身のPCスペックと相談しながら、最適なモデルサイズを固定化するのが運用の近道です。
ビジネス全体の業務効率を高めるツール群に興味がある人は、AI生産性・ノートカテゴリのツールも合わせてチェックしてください。
リアルタイム文字起こし機能の設定と活用方法
Buzzは保存された音声ファイルの読み込みだけでなく、PCのマイクから入力される音声をその場でテキスト化する機能も備えています。対面ミーティングやウェビナーの視聴中に、その場でメモを取りたい場面で活躍します。
設定は極めてシンプルです。アプリ上部のマイクアイコンをクリックし、入力ソースとして使用するマイク端末を選択します。
[マイク設定の手順]
1. Buzz画面の「Record」または「Live Transcription」ボタンを押す
2. 入力デバイス一覧から使用するマイク（外付けマイク推奨）を指定
3. 言語設定を「Japanese」、モデルを「Tiny」または「Base」に設定
4. 録音開始ボタンを押して発話をスタート
リアルタイム処理を行う場合、モデル選択は「Tiny」か「Base」に絞る必要があります。MediumやLargeを選択すると、PCの処理能力が追いつかず、音声の入力からテキスト表示までに数秒から十数秒の遅延が発生して実用になりません。
内蔵マイクはキーボードの打鍵音やファンの回転音を拾いやすいため、単一指向性の外付けUSBマイクやヘッドセットを併用すると認識精度が跳ね上がります。会議専用の文字起こしツールとの違いを知りたい方は、AI会議・議事録カテゴリも確認してみてください。
SRT・VTT字幕ファイルとテキスト書き出しの設定
動画制作者やポッドキャスト配信者にとって、字幕ファイルの書き出し機能は欠かせない機能です。Buzzは通常のテキストファイル（TXT）だけでなく、タイムコードが含まれたSRTやVTTの形式に対応しています。
【主要な出力ファイル形式と用途】
- TXT: 議事録、インタビュー記事の執筆用（タイムスタンプなしのプレーンテキスト）
- SRT: Premiere Pro, DaVinci Resolve, YouTube字幕の標準規格
- VTT: HTML5ウェブ動画プレイヤー用の字幕データ
書き出し設定は、タスク追加時のエクスポート設定画面で行います。出力したい形式のチェックボックスをオンにしておけば、文字起こし完了と同時に指定したフォルダへファイルが一括生成されます。
SRTファイルを出力する場合、Whisperが自動的に発話区間を区切ってタイムコードを割り当てます。動画編集ソフトのタイムラインへドラッグ＆ドロップするだけで字幕の配置が完了するため、手動入力にかかる時間を大幅に削減できます。
テキスト処理と画像生成を組み合わせて情報発信を行っている方は、サムネイル作成のツール選定として文字入り画像はIdeogramかChatGPTか｜バナー・サムネ・ロゴ別に比較 (2026年版)も役立ちます。また、画像の生成枚数や仕様の詳細についてはIdeogram完全ガイド2026｜無料で1日40枚・文字精度95%の使い方と料金でも整理されています。
文字起こしの精度を高めるプロンプト指定と前処理
Whisperは事前にプロンプト（導入テキスト）を渡すことで、特定の固有名詞や表記揺れを正しく補正する仕組みを持っています。Buzzの詳細設定ウインドウにある「Prompt」欄を活用すれば、認識精度を劇的に底上げできます。
【プロンプト入力欄の活用例】
入力例:
「本日は株式会社AIPICKSの定例ミーティングです。アジェンダはSEO対策、LLMのAPI活用、次期プロダクトのロードマップについてです。」
効果:
- 「エーアイピックス」が「AIPICKS」と正しくアルファベット変換される
- 「エス・イー・オー」が「SEO」と認識されやすくなる
- 文脈がビジネス会議として初期化され、誤変換が激減する
音声データそのものの前処理も重要です。ノイズ除去ソフトを通して背景の環境音をあらかじめカットしておくだけで、小型のSmallモデルでもMedium並みの精度が出せるようになります。
また、音量が小さすぎるファイルはWhisperが無音と誤認してスキップすることがあります。無料の音声編集ソフトでノーマライズ（音量の均一化）を行ってからBuzzに読み込ませるのが、文字起こしを失敗させない秘訣です。
自動化パイプラインの構築に興味がある方は、AI自動化カテゴリで業務全体の連携手法を探してみるのもおすすめです。
Buzzで文字起こしが遅い・動かないときの原因と対処法
Buzzを使い始めた初心者が直面しやすいトラブルの多くは、GPU設定の不備かPCのメモリ不足に起因しています。エラーが発生した場合は、焦らずに原因を特定して設定を見直してください。
よくあるトラブルと解決策を以下に整理しました。
【トラブル1: 処理速度が異常に遅い】
原因: GPUが使われずCPU処理になっている
対策:
- 設定画面でCompute TypeがGPUになっているか確認する
- NVIDIA製グラフィックボードの場合、最新のドライバを再インストールする
- モデルサイズを「Medium」から「Small」に下げる
【トラブル2: 途中でアプリが強制終了する】
原因: メモリ（VRAM / RAM）の枯渇（Out of Memory）
対策:
- バックグラウンドで動いている重いソフト（ブラウザの大量タブや動画編集ソフト）を閉じる
- Largeモデルの使用をやめ、BaseまたはSmallモデルに変更する
【トラブル3: 日本語なのに英語に翻訳されて出力される】
原因: Task設定が「Translate」になっている
対策:
- 新規タスク作成時に「Task」を「Transcribe」に設定し直す
特にWindows環境では、グラフィックボードを積んでいてもBuzz側で認識されていないケースが散見されます。タスクマネージャーの「パフォーマンス」タブを開き、文字起こし中にGPU使用率が上がっているかを確認するのが確実です。
AI PICKS編集部の判定
Buzz文字起こしは、情報漏洩を絶対に避けたい企業の法務・開発・人事チームにとって圧倒的な価値を持つツールです。月額費用が一切かからず完全無料で利用できる点は破格です。
サーバーへ音声を送信する商用クラウドサービスは、利用規約やセキュリティチェックの都合で社内導入のハードルが高くなりがちです。Buzzなら端末内で計算が完結するため、導入審査や利用規約のセキュリティ審査を気にする必要がありません。
一方で、非力な薄型ノートPCしか持っていないユーザーにとっては、処理速度の面で正直イマイチな体験になります。CPUのみでMedium以上のモデルを動かすと、1時間の音声に2〜3時間以上の計算時間がかかって実用的ではありません。
手元にNVIDIA製GPU搭載PCやApple Silicon Macがあるなら、Buzzの導入は一択です。PCスペックが足りない環境であれば、おとなしくクラウド型の文字起こしツールを検討してください。自分の機材環境に合わせた使い分けが最適解となります。
よくある質問（FAQ）
Q. Buzz文字起こしは完全に無料で使用できますか？
完全無料で使用できます。BuzzはオープンソースのMITライセンスで提供されており、個人利用だけでなく商用利用でも追加料金や月額課金は一切発生しません。機能制限や出力回数の上限もありません。
Q. インターネット接続がないオフライン環境でも使えますか？
オフライン環境で完全に動作します。初回利用時にWhisperの学習済みモデルファイルをPC内へダウンロードする際のみ通信が必要ですが、一度保存が完了した後はインターネット接続を完全に遮断した状態でも文字起こしが可能です。
Q. MacのApple Silicon（Mシリーズ）チップに対応していますか？
対応しています。BuzzはmacOS向けのビルドを提供しており、Apple SiliconのNeural EngineやGPUを活かした高速な推論が可能です。Intel版Mac用のバイナリも用意されています。
Q. 長時間の動画ファイル（MP4など）から音声だけを抜き出して文字起こしできますか？
可能です。BuzzはMP3やWAVといった音声形式だけでなく、MP4などの主要な動画ファイルも直接ドラッグ＆ドロップで読み込めます。映像から自動的に音声データを抽出して文字起こし処理を実行します。
Q. 日本語の文字起こし精度はどのくらいですか？
Whisperのモデルサイズによって異なりますが、Small以上のモデルを使用すれば商用の有料サービスと遜色ない精度を発揮します。専門用語が多い音声の場合は、事前にプロンプト欄へ業界用語や固有名詞を入力しておくことで認識率を高められます。
Q. 文字起こしにかかる時間の目安はどのくらいですか？
PCスペックと選択するモデルによって大きく変動します。M3チップを搭載したMacやGeForce RTX搭載PCでSmallモデルを動かした場合、1時間の音声であれば5分から15分程度で完了します。CPUのみの旧型PCでは、実時間と同じかそれ以上の時間がかかります。
あわせて見たいツール・カテゴリ
文字起こし作業の効率化や関連するAIツールを比較したい場合は、以下のカテゴリやツール情報も参考にしてください。
次に読むなら、クラウド型の無料文字起こし手法や代替手段を網羅した動画の文字起こしを無料でする方法5選｜MP4から字幕・議事録まで (2026年版)をおすすめします。手持ちのPCスペックでBuzzを動かすべきか、クラウド型に頼るべきかの判断基準が明確になります。
