ローカル環境の構築が不要なOpenAI Whisperの代替

OpenAI Whisperの代替を探すとき、置き換える対象は、自分で動かすモデルでも、ホスト型のwhisper-1 APIでもかまいません。OpenAIはwhisper-1を、多言語の音声認識、音声翻訳、言語識別に対応した汎用モデルとして説明しています。Hushscriptは、録音の文字起こしをプライベートに、ブラウザ上のアプリにまとめ、公開APIも提供しています。

OpenAI Whisperが優れている点

Whisperを自前で運用すれば、技術チームは推論環境と処理する場所を直接管理できます。その方法にはソフトウェアのサブスクリプションも1分ごとのベンダー料金もありません。代わりに、マシン、計算資源、依存関係、アップデート、運用の手間を自分で用意することになります。ローカルでの処理が重要で、チームがその環境を自分で持てるなら、この自由度は大きな価値です。

ホスト型は別の選択肢です。OpenAIの文字起こしAPIリファレンスによると、whisper-1はオープンソースのWhisper V2モデルで動いています。APIで音声を受け取り、テキストまたはタイムスタンプ付きの出力を返すだけで、その周りの製品としての流れは開発者が作ることになります。

OpenAI WhisperとHushscriptの比較一覧

	OpenAI Whisper	Hushscript
製品の形	オープンソースのモデル、またはホスト型のwhisper-1 API	オンラインの文字起こし作業画面と公開API
向いているもの	モデルレベルの制御が必要なチーム、または自社ソフトウェアの中に音声認識を組み込みたいチーム	録音をすぐブラウザで扱いたい人
セットアップ	モデルを自前で運用するか、ホスト型APIを組み込む	ブラウザ上のアプリなら、モデルのインストール不要
料金の形	自前運用は自分の計算資源、ホスト型APIは従量課金	5種類のプリペイドの分数パックで、サブスクリプションなし
ファイルの上限	ホスト型APIは最大25 MB。自前運用は別	最大10時間の録音を、ブラウザで準備
出力後の流れ	自分のパイプライン向けの認識結果	編集できる文字起こし結果、Insights、21種類のエクスポート形式
ローカル処理	自前で運用すれば可能	不可。準備した音声は音声認識のために送信されます

Whisperの料金：オープンソース、計算資源、ホスト型API

「Whisperは無料か」という問いの答えは2つあります。最初に公開されたオープンソースのモデルに継続的なソフトウェア料金はありませんが、ハードウェアやクラウドの計算資源、インストール、監視、保守には時間かお金がかかります。ホスト型のwhisper-1 APIは利用量に応じた課金です。この2つはコストの構造が異なるため、このページでは両方に1つの価格を当てはめていません。

Hushscriptは、45分$1.99から6,000分$49.99までの5種類のプリペイドパックを販売しており、サブスクリプションはありません。対象の個人アカウントは、カード確認に成功すると30分の無料分を1回限り受け取れます。まだ付与されていない場合は、初回購入時にも受け取れます。

文字起こしでのWhisperの使い方とブラウザ上の作業画面の違い

OpenAI Whisperをローカルで動かすには、実装を選んでインストールし、十分な計算資源を用意し、認識結果のあとの処理を自分で作ることになります。whisper-1を使えばモデルのホスティングは不要ですが、APIの認証情報、アップロードのコード、結果の処理、自前の文字起こし用の画面が必要です。

Hushscriptのアプリは、その流れを1か所にまとめています。メディアの準備、認識の設定、話者ラベル、文字起こし結果の編集、必要に応じたInsights、エクスポートです。開発者はアプリの代わりにHushscriptのAPIを使うこともできるので、選ぶのは「APIか、APIなしか」ではなく、モデルレベルの制御か、管理された文字起こし製品かです。

タイムスタンプ、字幕、英語への翻訳

OpenAIの現在のファイル文字起こしのガイドは、録音の一般的な文字起こしにはgpt-transcribeを勧めており、whisper-1は単語単位のタイムスタンプ、字幕形式、英語への翻訳のために引き続き記載しています。翻訳エンドポイントが返すのは英語のテキストだけで、ホスト型Transcriptions APIの25 MBというファイル上限は、自前で運用するWhisperには当てはまりません。

Hushscriptは、時間情報を編集できる文書にして、SRT、VTT、ASS、TTML、SBV、LRCに加え、ほかの15形式でもエクスポートできます。全編の文字起こしでは、ジョブを始める前に任意の翻訳先を追加することもできます。無料プレビューはもっとシンプルで、最大5分を言語の自動検出で処理し、元の言語、文脈、翻訳の設定はありません。

ローカルでの管理か、オンラインのデータの流れか

録音を自分で管理するインフラの中にとどめる必要があり、モデルも自分で運用できるなら、自前のWhisperが向いています。Hushscriptはローカルでの文字起こしではありません。ローカルのファイルはお使いのブラウザで準備するため、動画は端末に残り、認識に必要な音声だけをアップロードします。対応する音声のリンクは、サーバー側で取得・準備されます。Hushscriptは文字起こし用の音声を処理後に削除します。保存された文字起こしデータは保存時に暗号化され、保持期間は設定でき、プライベートモードではアカウントに文字起こし結果が保存されません。

モデルの環境を維持せずに、文字起こし作業画面、話者ツール、Insights、エクスポート、プリペイドの利用料金を使いたいならHushscriptを選んでください。決める前に、ご自身の録音で無料プレビューを試すこともできます。

更新日：2026年10月5日