Whisper/Deepgram 音声認識（ウィスパー）
Speech-to-Text(STT)モデル/API。OpenAI Whisper(OSS・2022年9月・multilingual 99 lang・Large-v3 Turbo 2024年)・Whisper API $0.006/min・faster-whisper(CTranslate2・4x高速)・whisper.cpp(CPU・llama.cpp author)・Deepgram Nova-2(real-time・$0.0043/min)・Google Cloud Speech-to-Text・Azure Speech・AssemblyAI Universal-2・Groq Whisper($0.02/h・高速)・ElevenLabs Voice・MacWhisper Mac app・2026年 会議議事録/YouTube字幕自動生成定着。
概要
Whisper/Deepgram 音声認識は、音声を文字に変換するための代表的なSTT（Speech‑to‑Text）ソリューションである。OpenAI の Whisper は 2022 年にオープンソース化され、99 言語をサポートし、2024 年に Turbo 版（Large‑v3 Turbo）が登場した。Whisper API は 0.006 USD／分の料金で利用可能で、faster‑whisper（CTranslate2 ベース）により CPU だけで 4 倍速化、whisper.cpp（llama.cpp 作者）が CPU で動作。Deepgram の Nova‑2 はリアルタイムで 0.0043 USD／分、Google Cloud Speech‑to‑Text、Azure Speech、AssemblyAI Universal‑2 などと並ぶ。2025 年には Whisper API が 10 万語／秒のリアルタイム性能を実現し、2026 年には会議議事録や YouTube 字幕自動生成が業界標準となる見込みである。
主な特徴・仕組み
- 多言語対応：99 言語を網羅し、英語・中国語・日本語・スペイン語などを高精度で認識。
- 料金体系：Whisper API 0.006 USD／分、Deepgram Nova‑2 0.0043 USD／分、Groq Whisper 0.02 USD／h。
- 高速化技術：faster‑whisper は CTranslate2 を利用し、CPU で 4 倍速。whisper.cpp は llama.cpp ベースで 8 CPU コアで 30 秒／分の処理が可能。
- GPU 利用：Groq Whisper は専用 TPU で 1 ms／音声フレームを実現。RTX 5090 で 1 kHz 以上の音声を 10 ms 以内に文字化。
- リアルタイム性能：Deepgram Nova‑2 は 50 ms の遅延でストリーミング認識。
- 統合性：MacWhisper Mac アプリは 2024 年版で 99 言語をサポート、Windows 版は 2025 年にリリース予定。
- ハードウェア要件：Ryzen 9 9950X3D（16 コア 3.5 GHz）＋DDR5‑6000 32 GB、NVIDIA RTX 5090 24 GB GDDR7、650 W PSU で 10 kHz のマルチチャンネルを同時認識可能。
- セキュリティ：データはオンプレミスで処理可能、Deepgram は ISO 27001 認証取得済み。
- 価格対性能比：Groq Whisper は 0.02 USD／h で、RTX 4090 で 0.15 USD／h の消費電力を下回る。
- 開発者向け API：REST＋WebSocket、Python SDK で 5 ms 以内に文字列を取得。
- 2026 年の展望：Whisper API が 10 % の精度向上と 30 % コスト削減を達成し、業務自動化の標準ツールに。
スペック比較表
| 製品 | 料金 | サポート言語 | 遅延 | 推奨ハードウェア | 備考 |
|---|---|---|---|---|---|
| Whisper API | 0.006 USD/分 | 99 | 200 ms | CPU 8C | 2024 Turbo 版 |
| Deepgram Nova‑2 | 0.0043 USD/分 | 99 | 50 ms | GPU RTX 4090 | リアルタイム |
| Groq Whisper | 0.02 USD/h | 99 | 1 ms | Groq TPU | 低消費電力 |
| faster‑whisper | 0 USD/分 | 99 | 80 ms | CPU 16C | 4x高速化 |
| whisper.cpp | 0 USD/分 | 99 | 30 s/分 | CPU 8C | オフライン |
具体例・対応製品
- MacWhisper Mac アプリ – 2024 年版で 99 言語をサポート、10 kHz までの音声を 5 ms 以内に文字化。
- Deepgram Nova‑2 – 2025 年初にリリース、1 kHz の音声を 50 ms で認識。
- Groq Whisper – 2025 年末に Groq の TPU を採用し、RTX 4090 と比べ 50 % コスト削減。
- Whisper API – 2024 年に Turbo 版を導入、24 GB GDDR7 の RTX 5090 で 1 kHz のマルチチャンネルを 10 ms 以内に文字化。
- faster‑whisper – 2025 年に CTranslate2 を改良、CPU 8C で 1 kHz の音声を 80 ms で処理。
自作PCでの選び方・注意点
- CPU：Ryzen 9 9950X3D 16 コア 3.5 GHz 以上。
- GPU：RTX 5090 24 GB GDDR7 が 1 kHz 以上の音声を 10 ms 以内に文字化。
- メモリ：DDR5‑6000 32 GB 以上。
- ストレージ：NVMe 2TB SSD、書き込み速度 5 GB/s 以上。
- 電源：650 W 80+ Platinum。
- 冷却：液体冷却 200 W 以上。
- OS：Windows 11 Pro 22H2、Ubuntu 24.04 LTS での動作確認。
- API キー管理：環境変数で保管、キー漏洩防止。
- データ暗号化：オンプレミスで処理可能な whisper.cpp を併用。
- バージョン管理：whisper.cpp は 2026 年版で 10 % 精度向上。
- テスト環境：録音サンプル 10 kHz で 5 分間テスト。
関連用語との違い
- Google Cloud Speech‑to‑Text：クラウドベースで 100 USD/分 以上。Whisper はオープンソースで 0 USD/分。
- Azure Speech：リアルタイム遅延 100 ms。Deepgram Nova‑2 は 50 ms。
- AssemblyAI Universal‑2：1 USD/分。Whisper API は 0.006 USD/分。
- ElevenLabs Voice：音声合成。Whisper は音声認識。
- Groq Whisper：専用 TPU を利用し、RTX 4090 で 0.15 USD/分を 0.02 USD/h に削減。
よくある質問(FAQ)
Q1. Whisper API の料金はどのように計算されますか？
A1. Whisper API は音声データの再生時間に対して 0.006 USD/分で課金される。例えば 30 分の音声をアップロードすると 0.18 USD が請求される。
Q2. Deepgram Nova‑2 を自作PCに組み込む場合、どのハードウェアが最適ですか？
A2. Nova‑2 は NVIDIA RTX 4090 で 1 kHz の音声を 50 ms で認識できる。RTX 5090 なら 10 ms 以内に処理可能。CPU は Ryzen 9 9950X3D 以上を推奨。
Q3. Whisper.cpp はオフラインで動作できますか？
A3. はい。whisper.cpp は完全にローカルで実行でき、API キー不要。CPU 8 コアで 30 秒／分の音声を処理できる。
まとめ
Whisper/Deepgram 音声認識は、オープンソースとクラウドベースの両方で高精度・低コストを実現する代表的な STT ソリューションである。2025 年にはリアルタイム遅延が 50 ms 以下、2026 年には会議議事録や YouTube 字幕自動生成が業界標準となる見込み。自作PCを構築する際は、Ryzen 9 9950X3D、RTX 5090、DDR5‑6000 32 GB、650 W PSU などを揃え、whisper.cpp でオフライン処理を併用することで、最小限のコストで最大のパフォーマンスを引き出せる。