fast-whisperで手軽に文字起こしできるCLIツールを作った

手軽な文字起こしツール

欲しかったので作ってみました。fast-whisperを使用するので、API登録やGPU不要で、一般的なパソコンで動きます。ただ文字起こしにはある程度時間がかかります。

https://github.com/karaage0703/transcriber-tool

uvを使う想定です。uvに関してはこちらの記事を参照ください。

uvはよくわからないけど、とにかく使いたいという人は、ターミナルで以下実行するとインストールできます。

$ curl -LsSf https://astral.sh/uv/install.sh | sh

本ツールは、PyPIに登録してあるので、uvをインストールすれば、以下コマンドを実行することで文字起こしできます。

$ uvx transcriber_tool transcribe <filename>

テスト用のファイルもリポジトリにアップしているので、以下コマンドを実行すれば一瞬で文字起こしできると思います。

$ curl -o test_audio.mp3 https://raw.githubusercontent.com/karaage0703/transcriber-tool/main/test_audio.mp3
$ uvx transcriber_tool transcribe test_audio.mp3

文字起こし結果はデフォルトだとoutputフォルダにテキストで格納されます（書き出すファイルを指定もできます）。以下書き起こしの結果です。

これはテスト用の音声ファイルです。 文字を越しが正しく機能するかを確認します。

誤字が気になる場合は、largeモデルを選択します。

$ uvx transcriber_tool transcribe -m large test_audio.mp3

書き起こし結果。ばっちりですね。

これはテスト用の音声ファイルです。文字起こしが正しく機能するかを確認します。

他の使い方はリポジトリのREADME参照ください。

タイムスタンプ付きで文字起こしする

音声配信をやっている人から、文字起こしに時間情報（タイムスタンプ）を付けたいという要望がありました。例えば以下のようなケースです。

• ポッドキャストの概要欄に「●●の話は 12:30 から」みたいなチャプターを書きたい
• ブログ記事に書き起こしを載せるとき、章立てに時間情報を残したい

transcriber_tool のタイムスタンプオプションをつけると、タイムスタンプを出力することができます。以下はコマンド例です。

$ uvx transcriber_tool transcribe sample.mp3 --timestamps

出力例（test_audio.mp3 で実行）：

[00:00] これはテスト用の音声ファイルです。 文字起こしが正しく機能するかを確認します。

実際のポッドキャストだと、セグメントごとに [mm:ss] 付きの行が並びます。ただ、このままだと使いづらいと思うので、このタイムスタンプ付きの文字起こし情報を、さらにChatGPTやClaudeなどのLLMで、以下のような指示でまとめさせます。

こうすると、ある程度正確なタイムスタンプ付きの要約ができるはずです。

テキストをタイムスタンプ付きで要約してください。

00:00 オープニング

02:30 [トピック1]

08:45 [トピック2]

15:20 [トピック3]

22:00 まとめ・エンディング

###タイムスタンプ付きテキスト
<ここにタイムスタンプ付きの文字起こしをコピペ>

GPU対応（v0.3.0）

v0.3.0でGPU（CUDA）に対応しました。

インストール

x86_64（一般的なPC・サーバー）

特に追加インストールは不要です。faster-whisperが使うctranslate2がCUDA対応しているため、そのままGPUが使えます。

$ uvx transcriber_tool transcribe audio.mp3 --device cuda

ARM64（DGX Spark等）

ARM64ではctranslate2のPyPI版にCUDAビルドがないため、openai-whisper（PyTorchベース）を追加インストールします。

$ uv tool install "transcriber_tool[gpu]" --extra-index-url https://download.pytorch.org/whl/cu130

インストール後は以下コマンドで、GPUを使った文字起こしができます。

$ transcriber_tool transcribe audio.mp3

どれくらい速くなる？

DGX Spark（NVIDIA GB10）で30分の音声ファイル（mediumモデル）を文字起こしした結果です。

長い音声ほどGPUの恩恵が大きくなります。ポッドキャストの文字起こしなど、まとまった長さの音声処理に特に効果的です。

仕組み

--device auto（デフォルト）で環境に応じて最適なバックエンドが自動選択されます。

1. ctranslate2がCUDA対応（x86_64）→ faster-whisper (GPU)
2. ctranslate2がCPU版のみ（ARM64）→ openai-whisper / PyTorch (GPU) に自動フォールバック
3. GPU未検出 → faster-whisper (CPU)

まとめ

文字起こしのCLIツールを作ってみました。以前、DockerでWhisperを使って文字起こしする環境は作ったことあったのですが、結局面倒くさくて使わなくなってしまいました。こちらなら、わりと使い勝手よいのではないかなと思います。

といいつつ、NotebookLMの方が手軽だし、速かったりするんですけどね。

https://zenn.dev/karaage0703/articles/55518ba965bb3c

とはいえ、大量のファイルを扱いたいときや動画の音声を文字起こししたいとき、NotebookLMがサービス終了したときなど使い道はあるのじゃないかなと思います。

https://github.com/karaage0703/transcriber-tool

関連記事

https://zenn.dev/karaage0703/articles/ecfab2effb7c31

https://zenn.dev/karaage0703/articles/42f7b0655a6af8

変更履歴

• 2026/05/06 タイムスタンプについて追記
• 2026/03/16 GPU対応に付いて追記