Whisper と ChatGPT の違いを比較｜精度・コスト・用途別の使い分け (2026年版)

「WhisperとChatGPT、どっちで文字起こしすればいいの？」と検索してここに来た人は、たぶん一度は両方を試して、なんとなく結果が違うことに気づいています。片方は妙に正確なのに読みにくく、もう片方は読みやすいのに勝手に話を整えてくる。

答えは単純です。両方使うのが正解。ただし順番と役割を間違えると、料金だけ膨らんで精度が落ちます。

Whisper と ChatGPT の違いを1分で

Whisperとは、OpenAIが公開している音声認識モデルです。音声ファイルを受け取って、そこに含まれる言葉をテキストに変換します。ChatGPTとは、テキストを読んで応答や要約を生成する対話型AIです。入力が音か文字か。この一点が根本的な違いです。

多くの人が混乱するのは、ChatGPTのアプリにも音声入力があるからです。あれは内部で音声認識を通してから会話モデルに渡している構造で、Whisper系の技術がその前段にいます。つまりChatGPTの音声機能は「Whisperの代替」ではなく「Whisperを含んだパッケージ」に近い。

つまり、音を文字にする工程と、文字を意味にする工程を、別々の道具が担当しています。ここを分けて考えると、料金設計も精度対策も一気に見通しがよくなります。

Whisper とは何か。音声認識に特化した「耳」

WhisperはOpenAIが開発した音声認識モデルで、モデルの中身 (重み) がMITライセンスで公開されています。この「公開されている」という点が、実務では効きます。

公開されているということは、自分のパソコンや会社のサーバーにダウンロードして動かせるということ。音声を一度もインターネットに送らずに文字起こしが完結します。医療の問診音声、法務のヒアリング、採用面接。外に出せない音声を抱えている組織にとって、これは料金以前の話で決定的です。

特徴を4つに絞ると次のとおり。

• 雑音のある環境でも崩れにくい (カフェ、電話越し、複数人の会議)
• 多言語に対応し、日本語と英語が混ざった発話も拾える
• 録音済みの音声ファイルを丸ごと処理する設計
• 話者の区別 (誰が話したか) は標準では付かない

最後の項目は見落とされがちな落とし穴。会議の議事録を作りたい人がWhisperを単体で使うと、「誰の発言か分からない一枚の文章」が出てきて途方に暮れます。話者分離が要るなら、そこは別の仕組みで補う前提で組んでください。

なお、同じWhisperでも「どこで動かすか」で結果が変わります。2026年の各種計測では、同一のLarge v3の重みを使っていても、実行するホスト環境によって誤り率に6ポイント程度の開きが出るという報告があります。前処理の仕方、音声の切り分け方、後処理の有無で差が付くわけです。「Whisperの精度」という単一の数値は存在しない。ここは覚えておいて損がありません。

ChatGPT とは何か。文字起こしの「その後」を担う

ChatGPTの役割は、出てきたテキストを人間が読める形に持っていくことです。

生の書き起こしを見たことがある人なら分かりますが、あれはそのままでは使えません。「えー」「あの」が散り、句読点がなく、言い直しがそのまま残っています。1時間の会議なら1万字近い塊になり、読む気が失せる。

ここにChatGPTを通すと、次のような加工ができます。

• フィラー (「えーと」等の意味のない音) の除去と句読点の付与
• 議題ごとの見出し分け
• 決定事項とアクションアイテムの抽出
• 敬体・常体の統一、社内フォーマットへの流し込み

逆に、ChatGPTに音声認識そのものを期待すると割高になります。長時間音声をそのまま投げる運用は、扱う文字量が増えるほど課金が積み上がる構造だからです。

音声入力を仕事の入口にしている人は、Rimo VoiceとChatGPTの組み合わせ方をまとめた記事を先に読むと、この後の料金の話が具体的に見えてきます。

精度はどちらが高い？

聞き取りの正確さではWhisper系が上、読みやすさではChatGPTが上。評価軸が違うので、単純な勝敗は付きません。

音声認識の精度は普通、誤り率 (元の発話に対してどれだけ間違えたかの割合) で測ります。この指標で見ると、Whisperは雑音耐性と多言語の総合力が高く、録音済み音声の分野で長く定番の座にいます。一方で、クラウド専業の音声認識サービスには、特定条件下でWhisperを上回るものもあります。2026年時点の比較では、精度で先行するサービスは単価も高く、処理速度で先行するサービスは精度がやや落ちる、という分かりやすい相関が出ています。

安くて速くて正確、は今のところ存在しません。

日本語に限ると、崩れやすい箇所には共通の傾向があります。

つまり、Whisperが間違える箇所は種類が決まっていて、その多くはChatGPT側の後処理で拾えます。精度を上げたいときに「もっといいモデル」を探すより、後処理の指示文 (AIへの指示文のこと) を整えるほうが費用対効果は高い。

ここが、両者を競合として比べても答えが出ない理由です。

コストはいくら違う？

音声1分あたりの単価で見ると、文字起こしはかなり安い部類の処理です。

OpenAI公式の料金ページによると、whisper-1とgpt-4o-transcribeは音声1分あたり$0.006、軽量版のgpt-4o-mini-transcribeは$0.003 (いずれも2026年7月時点)。1時間の会議なら、標準モデルでおよそ$0.36。1ドル150円換算で55円前後です。

他社と並べると位置関係が見えます。

※2026年7月時点の概算・米ドル建て。実際の請求は音声の長さ、オプション、為替で変わります。

一方ChatGPT側は、話が変わります。会話モデルの課金は扱う文字量に比例するため、長い書き起こしを丸ごと読ませる運用は、音声認識そのものより高くつくことがあります。1時間の会議で1万字の書き起こしが出たとして、それを何度も投げ直しながら要約を練ると、費用は音声認識の何倍にもなる。

チームで使うなら、個別の従量課金ではなく定額プランを見るほうが現実的です。ChatGPTの法人向けプランは、公開情報では1人あたり月25ドル (年額課金) / 月30ドル (月額課金)、税別という水準が示されています (2026年8月時点)。データを学習に使わせない設定やメンバー管理が付くので、機密を扱うチームはここが実質の下限になります。

料金設計の要点を整理すると、こうなります。

• 音声を文字にする工程は、想像よりずっと安い
• 高くつくのは、その後の「文字を何度もこねる」工程
• ローカルWhisperは音声側の課金をゼロにできるが、初期の環境構築が要る

節約したいなら、削るべきは音声認識の単価ではなく、ChatGPTに投げる文字量のほうです。

日本語の会議音声で詰まるポイントは？

日本語の実務音声には、英語の検証では表に出てこない固有の難所があります。

話者の重なり。日本語の会議は相づちが多く、発言が重なりやすい。相づちが本文に混ざると、後の要約が「なるほどが繰り返される議事録」になります。

敬語による長い文。「〜させていただきたく存じますので」のような表現は、区切りの判定を難しくします。句読点なしで200字続く塊が出てきたら、これが原因です。

業界用語と略語。社内でしか通じない略称は、音としては聞き取れても文字が当たりません。ここは辞書で殴るしかない。

対策の優先順位を付けると次のとおりです。

1. 録音の質を上げる (マイクを口元に近づけるだけで誤りが目に見えて減る)
2. 用語リストを作り、後処理で機械的に置換する
3. 話者分離が必要なら、それを標準搭載したサービスを使う
4. 要約の指示文を固定化し、毎回同じ品質で出す

1番が地味に最強です。モデルを変えるより、マイクを変えるほうが効きます。録音環境が悪いままモデル選びに時間を溶かしている現場を、かなりの頻度で見かけます。

ここまでの整理: Whisperは「音を正確に文字にする」担当で単価が安い。ChatGPTは「文字を読める形にする」担当で、投げる文字量が費用を決める。日本語で崩れる箇所は種類が決まっていて、その大半は後処理と録音環境で解決できる。

速度とリアルタイム対応はどこが違う？

Whisperは録音済みの音声を後からまとめて処理する設計です。会議中にリアルタイムで字幕を出す用途は、本来の想定外。

もちろん、音声を短く区切って連続的に流し込む実装でリアルタイム風に見せることはできます。ただし区切った境目で文脈が切れるため、精度は落ちます。会議中のライブ字幕を本気で求めるなら、リアルタイム処理を前提に設計されたサービスを選ぶほうが早い。

処理時間の目安を用途別に並べます。

「後から処理する」用途ではWhisperが強く、「その場で出す」用途では別の選択肢が要る。この線引きさえ押さえれば、道具選びで迷う時間はほぼなくなります。

自動化の文脈で音声処理を組み込みたいなら、YoomとChatGPTの連携比較が、後段のワークフロー設計の参考になります。

機密音声はどこまで安全に扱える？

ここがWhisperを選ぶ最大の理由になる領域です。

Whisperのモデル重みは公開されているので、社内のマシンで動かせば音声データは一歩も外に出ません。クラウドの利用規約を読み込む必要も、海外にデータが渡るリスクを説明する必要も消えます。医療、法務、人事、金融。この4分野では、料金や精度より先にこの条件で候補が絞られます。

クラウドを使う場合の確認事項を並べます。

• 入力データが学習に使われない設定になっているか
• データの保存期間と削除の手続き
• 保存先リージョン
• 監査ログの有無

法人プランではこれらが明示されていることが多く、個人向けプランとは扱いが違います。無料プランで機密音声を流すのは、正直やめておいたほうがいい。

一方で、ローカル実行にも代償があります。

つまり、ローカル実行は「料金と機密のリスクを、手間と時間に付け替える」選択です。処理する音声が月に数時間程度なら、素直にクラウドを使ったほうが総コストは安く上がります。月に数百時間を回すなら、ローカルの構築費は数か月で回収できる。

分岐点は、だいたい月100時間あたりに置くと判断しやすくなります。

用途別の使い分け早見表

タイプ別の推奨を1枚にまとめます。

つまり、月に処理する音声の量と、その音声を外に出せるかどうか。この2軸で置き場所がほぼ決まります。難しく考える必要はありません。

個人で月数時間なら、正直ChatGPTの定額プラン1本で足ります。ここにWhisperを自前で立てるのは、手間に対して見返りが薄い。

併用パイプラインの組み方

実務で回すなら、次の4段構成が安定します。

1. 録音の質を確保する (マイク、静かな場所、話者ごとの音源分離)
2. Whisperまたは文字起こしAPIで書き起こす
3. 用語リストで機械的に置換する
4. ChatGPTに整形と要約をさせる

3番を飛ばして4番に丸投げする人が多いのですが、これが料金を膨らませる原因です。社名や製品名の直しは、AIに頼まなくても単純な置換で片が付く。AIに投げる文字量が減れば、そのぶん費用も応答時間も下がります。

4番の指示文は、毎回書き直さずテンプレート化してください。要素は4つ。

• 出力フォーマット (見出しの階層、箇条書きの粒度)
• 決定事項とアクションアイテムの抽出ルール
• 敬体・常体の指定
• 推測で補完しない、という明示

最後の項目は必ず入れます。書き起こしに曖昧な箇所があると、生成AIは文脈からもっともらしい言葉を埋めてきます。議事録でこれをやられると、言っていない発言が記録に残る。「不明瞭な箇所は [聞き取り不能] と記載する」と指示しておくだけで、事故がかなり減ります。

ノーコードで社内向けの文字起こしツールを作りたいなら、BubbleとChatGPTを組み合わせるガイドに、この4段構成をアプリに落とす手順のヒントがあります。開発者寄りの実装なら、CursorとChatGPTの使い分け記事のほうが近い。

他の選択肢も検討すべき？

WhisperとChatGPTの2択で考えると、かえって遠回りになるケースがあります。

会議の議事録が主目的なら、話者分離とカレンダー連携が標準で付いた専用サービスのほうが早い。Notta や Rimo Voice、Otter.ai はこの領域の定番です。Whisperを自前で組んで話者分離まで実装する労力を考えれば、月額数千円で済むなら専用サービスを買うほうが合理的。

開発者が自社プロダクトに組み込む場合は、AssemblyAI や Deepgram が候補に入ります。Deepgramは$200の無料クレジットがあり、検証段階の費用を抑えられます。OpenAI側でも GPT Transcribe が用意されています。

動画コンテンツの文脈で音声と映像を横断したいなら、SynthesiaとChatGPTの比較も見ておくと、制作フロー全体の設計が楽になります。

選択肢を広げたうえで、それでもWhisperが残る条件は明確です。音声を外に出せない、または大量の音声を安く処理したい。この2つのどちらかに当てはまるならWhisper。当てはまらないなら、専用サービスのほうが幸せになれます。

AI PICKS編集部の判定

WhisperとChatGPTを比べて「どちらか」を選ぼうとしている時点で、たいてい設計が間違っています。この2つは工程が違うので、正解は併用です。

そのうえで率直な見立てを書きます。個人が月に数時間の音声を扱うだけなら、Whisperを自前で立てる価値は薄い。ChatGPTの定額プラン1本で終わりますし、そのほうが速い。ここで環境構築に週末を溶かすのは、正直イマイチな時間の使い方です。

Whisperが圧倒的に効くのは2つの場面。外に出せない機密音声を抱えている組織と、月に数百時間を処理する事業者。前者は料金以前に選択肢がここしかなく、後者は従量課金がローカル構築費を数か月で追い越します。この2つに当てはまるなら、Whisperは破格です。

そして全タイプに共通する助言がひとつ。モデル選びに悩む前に、マイクを口元に近づけてください。誤り率は録音の質でいちばん動きます。ここを放置したまま高精度モデルを探すのは、順番が逆です。

よくある質問（FAQ）

Q. Whisper と ChatGPT、どちらのほうが文字起こしの精度が高いですか？

聞き取りの正確さではWhisper系のほうが上です。ChatGPTの強みは、出てきた文字を読みやすく整えることにあります。ただしChatGPTのアプリで音声入力を使う場合、内部では音声認識モデルを経由しているので、体感の精度は近くなります。

Q. Whisper は無料で使えますか？

モデルの重みはMITライセンスで公開されているので、自分のパソコンにダウンロードして動かす分には費用がかかりません。かかるのは電気代と、環境を作る手間だけ。OpenAIのAPI経由で使う場合は音声の長さに応じた従量課金になります。

Q. 1時間の会議を文字起こしすると、いくらかかりますか？

APIを使う場合、標準モデルの単価が1分あたり$0.006なので、60分でおよそ$0.36です (2026年7月時点の概算)。1ドル150円換算で55円前後。ここにChatGPTでの要約費用が乗ります。要約の投げ方次第では、こちらのほうが高くなることもあります。

Q. 誰が話したかを区別できますか？

Whisperの標準機能には話者の区別が含まれていません。会議の議事録で発言者を残したいなら、話者分離を標準搭載した専用サービスを使うか、別の仕組みを組み合わせる必要があります。ここは事前に確認しておかないと、後から作り直しになります。

Q. 機密性の高い音声を扱っても大丈夫ですか？

Whisperをローカルで動かせば、音声データは外部に送信されません。この点はクラウドサービスにない強みです。クラウドAPIやChatGPTを使う場合は、入力データが学習に使われない設定になっているか、保存期間はどうかを、契約前に確認してください。

Q. リアルタイムで字幕を出せますか？

Whisper本体は録音済みの音声をまとめて処理する設計なので、そのままではリアルタイム向きではありません。音声を短く区切って流す実装でリアルタイム風にはできますが、区切り目で文脈が切れて精度が落ちます。ライブ字幕が主目的なら、ストリーミング処理を前提としたサービスを選ぶほうが確実です。

Q. 日本語の固有名詞が正しく変換されません。どうすればいいですか？

用語リストを作って、書き起こしの後に機械的に置換するのがいちばん確実です。AIに「正しく直して」と頼むより、単純な置換のほうが速くて安く、結果も安定します。それでも残る誤りだけをChatGPTに投げる流れにすると、費用も抑えられます。

Q. 結局、最初に試すならどれですか？

すでにChatGPTの有料プランを契約しているなら、まずその音声機能だけで1本試してください。それで足りるなら追加投資は不要です。物足りなさを感じた箇所 (話者分離が要る、量が多くて高い、外に出せない) が、次に選ぶ道具を決めてくれます。

あわせて見たいツール・カテゴリ

• Whisper (OpenAI) — 音声認識の中核。ローカル実行の可否を確認するならここから
• ChatGPT — 書き起こしの整形・要約側を担当する相棒
• 音声AIカテゴリ — 文字起こし以外の音声ツールも横並びで比較できます
• 会議AIカテゴリ — 議事録の自動化に特化したサービス群
• 音声AIの人気ツール一覧 — 何が選ばれているかを一望する用
• 会議AIの人気ツール一覧 — 話者分離つきの候補を探すとき
• Notta — 日本語の議事録用途で定番の専用サービス
• Deepgram — 開発者向け。無料クレジットで検証しやすい

次に読むなら、Rimo VoiceとChatGPTの組み合わせガイドを勧めます。この記事で決めた「音声→文字→整形」の流れを、日本語の実務に寄せた形で具体化できます。