Whisper 代替の音声認識AI 8選、日本語精度と無料オープンソースで選ぶ (2026年版)

Whisper 代替とは、OpenAIの音声認識モデルWhisperの弱点（処理速度・日本語の固有名詞・話者分離）を埋めるために使う、別の実装・モデル・APIサービスのことです。無料オープンソース、商用API、日本語SaaSの3レーンに分かれ、音声を社外に出せるかどうかで選ぶ範囲が変わります。

1時間の会議音源をWhisperに投げて、終わるのを30分待った経験はありませんか。あるいは、社名や人名がまるごとカタカナに化けて、結局ぜんぶ手直しになった経験。

その2つは、Whisper本体を使い続ける限り基本的に解決しません。乗り換え先は「実装を変える」「モデルを日本語特化に変える」「APIに丸投げする」の3方向しかなく、どれを選ぶかは音声の中身と社内の事情で決まります。

やることは3つだけです。音声を社外に出していいかを決める。日本語の固有名詞がどれだけ大事かを決める。エンジニアの手をどれだけ使えるかを決める。この3問に答えた時点で、候補は8つから1つに絞れます。

Whisper とは何で、いま何が足りないのか？

Whisperとは、OpenAIが公開している音声認識モデルです。音声ファイルを文字に起こす仕組みで、モデル自体が無料公開されているため、自分のパソコンやサーバーで動かせます。

登場時のインパクトは圧倒的でした。多言語をひとつのモデルで扱えて、しかも無料。文字起こしの相場をまるごと壊した存在です。

ただ、OpenAI公式のモデル情報ではlarge-v3が最後のメジャー更新で、2023年11月の公開以降、新しいlarge系モデルは出ていません（2026年8月時点）。その間に他社のモデルは更新を重ねました。「Whisperが悪くなった」のではなく、周りが動いた結果として相対的に見劣りする場面が出てきた、というのが正しい理解です。

具体的な不満は、だいたい次の4つに分かれます。

• 遅い: 素の実装は長時間音源で処理時間が膨らみます
• 話者が分からない: 誰の発言かを分ける機能（話者分離）が入っていません
• 日本語の固有名詞が弱い: 学習データの多言語バランス上、日本語の社名・人名・専門語で崩れます
• 幻の文章が出る: 無音や雑音の区間で、存在しない文を作ってしまうことがあります

4つ目は地味に厄介です。議事録に「言っていないこと」が混ざるので、チェックの手間が減りません。

不満の種類によって、行くべき方向がまったく変わります。速度不足なら実装を替えるだけで済み、日本語精度ならモデルごと替える必要がある。ここを混同したまま乗り換えると、手間だけかけて何も改善しません。

Whisper 代替 8選の早見表

8つを一覧にしました。左の4つが無料で動かせるもの、右の4つがお金で解決するものです。

つまり、無料側は「自分で動かす手間」を払い、有料側は「お金」を払うという単純な構図です。手間とお金のどちらが安いかは、月に何時間の音声を処理するかで逆転します。

料金の具体額は各社が改定するため、最終判断は必ず公式の料金ページで確認してください。この記事では金額そのものより、費用が積み上がる仕組みのほうを説明します。

無料オープンソースで速さを取り戻す2つの実装

Whisperの精度に不満がなく、単に遅いだけなら、モデルを替える必要はありません。実行する実装を替えるのが最短です。

faster-whisper

Whisperと同じモデルを、CTranslate2という高速な推論エンジンで動かし直した実装です。モデルの中身は同じなので、書き起こしの内容はほぼ変わりません。変わるのは処理時間とメモリの消費量。

ありがたいのは、GPUメモリの消費が下がることです。手持ちのグラフィックボードでlarge系が動かなかった人が、量子化（モデルを軽くする圧縮）を効かせると動くようになる、というケースが起きます。

導入はPythonのパッケージを入れて、モデル名を指定するだけ。既存のWhisperスクリプトからの書き換えも小さく済みます。乗り換えコストが最も低い選択肢。

WhisperX

こちらはWhisperの出力に、単語レベルの時間合わせと話者分離を足す構成です。誰がいつ話したかが分かるので、対談やインタビューの文字起こしで効きます。

素のWhisperのタイムスタンプは、実際の発話とずれることがあります。字幕を作る用途だと、このずれが致命的。WhisperXは音声と文字を突き合わせて時間を補正するため、字幕制作の下ごしらえとして重宝します。

話者分離には別途モデルの利用登録が必要な場合があります。ここが唯一の面倒な点。

要するに、速度だけならfaster-whisper、字幕や対談ならWhisperX です。両方入れて用途で使い分けている現場もあります。

音声そのものを加工したいなら話は別で、変換系の道具は用途が違います。声を変える方向の話は無料で使えるAIボイスチェンジャーの比較にまとめてあるので、目的が「認識」ではなく「変換」なら先にそちらを見たほうが早いです。

日本語に強いオープンソースモデル2つ

実装を替えても固有名詞の崩れは直りません。ここはモデルそのものを日本語向けに替える領域です。

Kotoba-Whisper

日本語のデータでWhisperを蒸留（大きなモデルの知識を小さなモデルに移す手法）した、日本語特化のモデル群です。日本語だけを扱うなら、多言語版より軽くて速く、しかも日本語での崩れが減ります。

多言語対応を捨てた分、日本語に振り切っているのが強み。社内会議のように「日本語しか出てこない」音声なら、多言語モデルを回す理由がありません。開発元の情報はKotoba Technologiesのツールページにまとめてあります。

ReazonSpeech

日本語の大規模な音声コーパス（学習用の音声データの集まり）と、それを使ったモデルが公開されているプロジェクトです。放送音声のような自然な日本語会話に強い傾向があります。

Whisper系とはアーキテクチャが違うモデルも含まれるため、Whisperが苦手とする場面で当たりを引くことがあります。Whisper系で崩れる音源の「別解」として持っておく価値があるタイプ。

日本語モデルを選ぶときの判断軸を整理します。

つまり、日本語オンリーの業務なら多言語モデルを使い続ける理由はほぼありません。ここは素直に専用モデルへ寄せたほうが得です。

商用APIの主力3つ

自分でサーバーを立てたくない、GPUも持ちたくない。その場合は音声を送って結果を受け取るだけのAPIが正解です。

Deepgram

低遅延とストリーミング処理に強みを置いた音声認識APIです。話しながらリアルタイムに文字が出てくる用途、つまり通話の書き起こしや音声ボットの土台に向きます。

バッチ処理（録音済みファイルをまとめて処理）でも速く、大量の音源を抱える現場で効きます。詳細はDeepgramのツールページを見てください。

AssemblyAI

書き起こしだけでなく、要約や話題の抽出、話者分離といった後処理までAPI側でまとめて面倒を見るタイプです。自分でLLMを呼んで要約を作る手間が省けます。

議事録アプリを自社で作るなら、部品を集める手間が最も少ない選択肢。こちらはAssemblyAIのツールページにまとめています。

OpenAI の文字起こしAPI

Whisperを提供しているOpenAI自身が、より新しい文字起こしモデルをAPIとして出しています。既にOpenAIのキーを使っているなら、追加の契約なしで試せるのが利点。

Whisperからの移行コストが最も小さく、まず精度差を測る比較対象として使いやすいです。文字起こしAPIのツールページもあわせて。

APIを選ぶときは、単価より先に見るべき項目があります。

• 音声データを学習に使われないか（オプトアウトの可否）
• 保存期間とリージョン（日本国内に置けるか）
• 同時実行数の上限（大量処理でここが詰まる）
• 認証取得状況（SOC 2やISO 27001の有無は各社で違う）

このうち1つ目で落ちる企業がかなり多いです。契約前に法務と揉めないよう、公式の利用規約とセキュリティページを先に読んでおくと安全。

会議の文字起こしに寄せた日本語サービス

コードを書かずに議事録が欲しいだけなら、モデル選びをする理由がありません。日本語SaaSに任せるのが早いです。

日本語の会議に最適化されたサービスは、認識そのものよりその後ろの体験で差が出ます。話者のラベル付け、要約、共有、Web会議ツールとの連携。ここが揃っていると、編集の手間が体感で半分以下になります。

Notta は日本語UIと会議連携が揃っていて、社内展開のしやすさが強み。Rimo Voice は日本語の議事録用途に振り切った国産サービスで、officialな料金体系は公式サイトで確認できます。英語圏のサービスなら Otter.ai も選択肢に入ります。

Rimo Voiceの位置づけをもう少し詳しく知りたいなら、Rimo VoiceとVOICEVOXを比べた記事が参考になります。読み上げ側と書き起こし側で何が違うのかが分かると、社内で道具を混同しなくなります。

ここまでの整理: 無料オープンソースは「手間を払って費用ゼロ」、商用APIは「お金で開発工数を買う」、日本語SaaSは「お金で編集工数まで買う」。3つは競合ではなく、払うものが違うだけです。

料金はいくらかかる？

音声認識の費用は、ほぼ「処理する音声の長さ」に比例します。ここを押さえておくと、見積もりが一気に楽になります。

商用APIは音声1分あたりの単価が設定されており、高機能なモデルほど単価が上がる構造です。話者分離や要約を足すと、その分が上乗せされる方式が一般的。SaaSは月額固定で、上限時間が決まっているタイプが主流です。

オープンソースは料金ゼロですが、実際には別の費用が発生します。

つまり、月にどれだけの音声を処理するかが読めていないうちはAPI、読めていて量が多いならオープンソースという判断になります。最初からGPUを買うのは、量が確定してからで遅くありません。

見落としやすいのが構築工数です。エンジニア1人が3日使えば、APIの従量課金で数百時間ぶんの音声が処理できます。この比較を先にやってください。

日本語の精度はどこで差がつく？

日本語の書き起こしで差が出るのは、共通語のきれいな会話ではありません。崩れるのはいつも決まった場所です。

差がつくポイントは4つ。固有名詞、業界の専門語、数字の表記、複数人の重なりです。「株式会社◯◯」の◯◯部分、社内の略語、「3万5千」なのか「35000」なのか、そして2人が同時に話した瞬間。

Whisper系が特に弱いのが1つ目と2つ目です。学習データに出てこない固有名詞は、音の似た一般語に置き換わります。これはモデルの性質なので、実装を変えても直りません。

対策は3つあります。

• 辞書登録（商用APIの多くが対応、固有名詞をあらかじめ登録する）
• 日本語特化モデルに替える（Kotoba-WhisperやReazonSpeech）
• 後処理でLLMに直させる（用語集を渡して置換させる）

3つ目は費用が乗りますが、効果は大きいです。書き起こしそのものを完璧にするより、8割の精度で出して残り2割を機械に直させる構成のほうが、総コストは下がります。

要するに、症状ごとに打ち手が決まっているということ。闇雲にモデルを大きくしても、固有名詞は直りません。

音声そのものの品質を上げる方向も効きます。録音時のマイク距離とノイズ対策で、どのモデルを使っても精度は数段上がります。

音声を外に出せないときはどうする？

顧客との商談、人事面談、医療や法務の記録。外部のサーバーに送れない音声は珍しくありません。

この条件がある時点で、選択肢はオープンソースをローカルまたは社内サーバーで動かす一択になります。faster-whisperかKotoba-Whisperを自社環境に置くのが定番の構成です。

必要なものは意外と少なくて済みます。GPU付きのマシン1台、Pythonの実行環境、そしてモデルの重みファイル。ネットワークから切り離した状態でも動きます。

ただし、運用の負担は正直に見積もってください。モデルの更新、ライブラリの互換性、処理待ちの管理。誰が面倒を見るかを決めずに始めると、半年後に「動かなくなったまま放置」という状態になります。

商用APIでも、リージョン指定とデータ学習のオプトアウトを組み合わせれば要件を満たせる場合があります。「クラウドは絶対にダメ」と決める前に、自社のルールが実際に何を禁じているのかを読み直す価値はあります。

用途別のおすすめ早見

ここまでの内容を、選ぶだけの形にまとめます。

つまり、8つのうち自分に該当する行は1つか2つしかありません。全部を検討する必要はないです。

乗り換えでつまずくのは、たいてい次の3点。ひとつ、同じ音源で比べていない。ふたつ、精度を体感で判断している。みっつ、後処理を含めた総時間で測っていない。

比較するなら、自社の音源を5本選んで固定してください。そのうえで、書き起こし後に手直しした時間を記録する。この数字だけが、意思決定に使える証拠になります。

音声まわりを広く整備したいなら、読み上げ側も同時に考えると効率がいいです。VOICEPEAKの使い方をまとめた記事とElevenLabsとVOICEPEAKの比較を読んでおくと、書き起こしと読み上げの両輪が一度に揃います。低遅延の音声処理が要件に入るなら、スマホで使える低遅延ボイスチェンジャーの記事の遅延の考え方がそのまま応用できます。

あわせて見たいツール・カテゴリ

音声認識の周辺を見ておくと、道具の重複買いを防げます。

• Whisper（OpenAI）のツールページ：まずは現状の仕様を確認する起点に
• 音声AIカテゴリ：認識・合成・変換をまとめて眺められます
• AI議事録・会議ツールのランキング：会議用途ならここから絞るのが早いです
• 音声AIのランキング：評価の高い順に候補を確認できます
• AI翻訳カテゴリ：外国語の音源を扱うなら書き起こしと翻訳をセットで
• Speechifyのツールページ：逆方向（テキストを音声に）が必要な場合に

AI PICKS編集部の判定

いまWhisperから動くなら、まずfaster-whisperに替えて速度不満を潰し、それでも日本語が崩れるならKotoba-Whisperへ、が最も費用対効果の高い順番です。 ここは一択に近い。実装の入れ替えは半日で終わるうえ、精度が落ちるリスクがほぼないからです。

いきなり商用APIへ飛ぶのは、正直もったいない場面が多いです。月に数十時間の音声しか扱わないのにGPUを買うのも同じく微妙。自分の処理量を測らないまま構成を決めるのが、いちばん高くつきます。

一方で、開発の手が空いていない組織が無理にオープンソースを触るのは筋が悪いです。日本語SaaSの月額は、エンジニア1人の1日分より安いことがほとんど。「開発工数が空いていないなら金で買う」という判断は、常に正しいと考えています。

Whisper自体が終わったわけではありません。無料でこの水準というのは今も破格です。ただ、2023年11月のlarge-v3以降で止まっている以上、日本語の固有名詞や話者分離を求めるなら、そこは別の道具で埋めるのが素直な設計になります。

よくある質問（FAQ）

Q. Whisper は2026年でも使う価値がありますか

あります。無料で商用利用でき、オフラインで動く点は今も強力です。速度はfaster-whisper、話者分離はWhisperX、日本語の固有名詞は日本語特化モデルで補う前提なら、土台として十分現役です。

Q. 完全無料で使える Whisper 代替はどれですか

faster-whisper、WhisperX、Kotoba-Whisper、ReazonSpeechの4つが無料で動かせます。いずれも自分のパソコンやサーバーで実行する形式で、月額料金は発生しません。GPUがあると快適ですが、CPUでも小さいモデルなら動きます。

Q. 日本語の精度がいちばん高いのはどれですか

日本語しか扱わないなら、Kotoba-Whisperのような日本語特化モデルが有利です。会議の議事録という目的なら、書き起こし後の編集まで含めて日本語SaaSのほうが実務の時間は短くなります。「モデルの精度」と「作業の速さ」は別物として測ってください。

Q. 話者分離（誰が話したか）はどうすれば使えますか

WhisperXを使うか、話者分離に対応した商用APIを使うのが確実です。素のWhisperには機能がないため、別のモデルと組み合わせる必要があります。対談やグループ会議では、これがあるかないかで編集時間が大きく変わります。

Q. 商用APIとオープンソース、どちらが安く済みますか

月の処理時間で逆転します。処理量が少なく変動するなら従量課金のAPIが安く、大量かつ安定しているならオープンソースをローカルで回すほうが安くなります。判断前に、直近3か月の音声時間を集計してください。

Q. 機密性の高い音声を扱いたいのですが

オープンソースをネットワークから切り離した環境で動かすのが最も確実です。商用APIでも、データを学習に使わない設定とリージョン指定で要件を満たせる場合があります。契約前に公式の利用規約とセキュリティに関する記載を確認してください。

Q. リアルタイムで文字起こしできますか

商用APIのストリーミング機能を使えば可能です。オープンソース側でもリアルタイム化の実装は存在しますが、遅延の安定性で商用APIに分があります。通話や配信で使うなら、素直にAPIを選んだほうが早いです。

Q. 書き起こしの誤字を減らす一番簡単な方法は何ですか

録音の品質を上げることです。マイクを口元に近づけ、雑音を減らすだけで、どのモデルでも精度が上がります。そのうえで固有名詞の辞書登録か、用語集を渡した後処理を足すのが定番の組み合わせになります。

音声まわりを一本ずつ整えていくなら、次に読むのはRimo VoiceとVOICEVOXの比較記事がおすすめです。書き起こしと読み上げで役割がどう分かれるかが分かると、社内で導入するツールの重複を避けられます。

各ツールの公式サイト（一次情報）

料金・機能・対応範囲は各社公式が一次情報です。本記事は公開時点の検証に基づきますが、最新かつ正確な条件は必ず各公式ページで確認してください。

• Whisper — 公式サイト（AI PICKSの詳細）
• Deepgram — 公式サイト（AI PICKSの詳細）
• AssemblyAI — 公式サイト（AI PICKSの詳細）
• Notta — 公式サイト（AI PICKSの詳細）
• Rimo Voice — 公式サイト（AI PICKSの詳細）
• Kotoba AI — 公式サイト（AI PICKSの詳細）
• GPT Transcribe — 公式サイト（AI PICKSの詳細）