OpenAI Whisper API で音声認識アプリを作る｜文字起こし・翻訳の実装ガイド

OpenAI Whisper は、OpenAI が開発した世界最高レベルの音声認識モデルです。99 の言語に対応し、文字起こしや翻訳を高精度で実行できます。API 経由で簡単に利用でき、2026 年現在では議事録自動作成、動画字幕生成、ポッドキャスト文字起こしなど、様々な用途で採用されています。

Whisper の特徴

• 高精度: 人間に匹敵する認識精度
• 多言語対応: 99 言語（日本語を含む）
• ノイズに強い: 雑音環境でも認識可能
• 翻訳機能: 他言語から英語への自動翻訳
• タイムスタンプ: 各単語の時刻情報付き
• API 経由で簡単利用: インストール不要

Whisper API の料金

モデル	料金
whisper-1	$0.006 / 分

例: 60 分の音声ファイルを文字起こしすると、約 $0.36（約54円） です。

基本的な使い方

セットアップ

npm install openai

音声ファイルの文字起こし

import OpenAI from 'openai';
import fs from 'fs';

const openai = new OpenAI({
  apiKey: process.env.OPENAI_API_KEY,
});

async function transcribe(filePath: string) {
  const transcription = await openai.audio.transcriptions.create({
    file: fs.createReadStream(filePath),
    model: 'whisper-1',
    language: 'ja',
  });

  return transcription.text;
}

const text = await transcribe('./meeting.mp3');
console.log(text);

たったこれだけで、高品質な日本語文字起こしが得られます。

対応フォーマット

• mp3
• mp4
• mpeg
• mpga
• m4a
• wav
• webm

ファイルサイズ制限: 25MB まで。それ以上は分割が必要です。

詳細なオプション

レスポンス形式

const transcription = await openai.audio.transcriptions.create({
  file: fs.createReadStream('audio.mp3'),
  model: 'whisper-1',
  response_format: 'verbose_json',  // 詳細情報付き
  language: 'ja',
  timestamp_granularities: ['word', 'segment'],
});

// {
//   text: "こんにちは、今日はお越しいただきありがとうございます。",
//   words: [
//     { word: "こんにちは", start: 0.0, end: 0.8 },
//     { word: "今日", start: 1.0, end: 1.3 },
//     ...
//   ],
//   segments: [...]
// }

response_format のオプション:

値	説明
json	テキストのみ（デフォルト）
verbose_json	詳細情報付き
text	プレーンテキスト
srt	字幕形式（SRT）
vtt	字幕形式（WebVTT）

字幕ファイル（SRT）の生成

const transcription = await openai.audio.transcriptions.create({
  file: fs.createReadStream('video.mp4'),
  model: 'whisper-1',
  response_format: 'srt',
  language: 'ja',
});

fs.writeFileSync('subtitle.srt', transcription);

生成される SRT ファイルの例:

1
00:00:00,000 --> 00:00:02,500
こんにちは、今日はお越しいただき

2
00:00:02,500 --> 00:00:05,000
ありがとうございます。

3
00:00:05,000 --> 00:00:08,300
本日の議題は3つあります。

YouTube や動画プレーヤーに読み込ませるだけで、字幕として使えます。

翻訳機能

Whisper は音声を認識しつつ、英語に翻訳できます。

const translation = await openai.audio.translations.create({
  file: fs.createReadStream('japanese-speech.mp3'),
  model: 'whisper-1',
});

console.log(translation.text);
// "Hello, thank you for coming today."

注意: 翻訳先は英語固定です。他の言語への翻訳は、文字起こし後に GPT-4 などで翻訳する必要があります。

プロンプトで精度向上

専門用語や固有名詞が多い場合、prompt で文脈を伝えると精度が上がります。

const transcription = await openai.audio.transcriptions.create({
  file: fs.createReadStream('tech-meeting.mp3'),
  model: 'whisper-1',
  language: 'ja',
  prompt: 'この音声は Web 開発に関する会議です。React、TypeScript、Next.js、Vercel などの用語が頻出します。',
});

これにより、AI が「リアクト」ではなく「React」と正しく表記するようになります。

大きなファイルの処理

25MB を超える音声ファイルは、分割が必要です。

import ffmpeg from 'fluent-ffmpeg';

async function splitAudio(inputPath: string, chunkDuration = 300) {
  return new Promise((resolve, reject) => {
    ffmpeg(inputPath)
      .outputOptions([
        '-f segment',
        `-segment_time ${chunkDuration}`,
        '-c copy',
      ])
      .output('chunk_%03d.mp3')
      .on('end', resolve)
      .on('error', reject)
      .run();
  });
}

async function transcribeLargeFile(filePath: string) {
  await splitAudio(filePath);

  const chunks = fs.readdirSync('.').filter(f => f.startsWith('chunk_'));
  chunks.sort();

  let fullText = '';
  for (const chunk of chunks) {
    const result = await transcribe(chunk);
    fullText += result + '\n';
  }

  return fullText;
}

実践例1: 議事録自動作成

async function generateMinutes(audioPath: string) {
  // Step 1: 音声を文字起こし
  const transcription = await openai.audio.transcriptions.create({
    file: fs.createReadStream(audioPath),
    model: 'whisper-1',
    language: 'ja',
    prompt: 'これは技術ミーティングの録音です。',
  });

  // Step 2: GPT で要約
  const summary = await openai.chat.completions.create({
    model: 'gpt-4o',
    messages: [
      {
        role: 'system',
        content: `
議事録を以下の形式で作成してください：

# 議事録

## 概要
(1-2文で)

## 参加者
(わかる範囲で)

## 主な議題
- 項目1
- 項目2

## 決定事項
- 決定1
- 決定2

## TODO
- タスク（担当者・期限）
        `,
      },
      { role: 'user', content: transcription.text },
    ],
  });

  return summary.choices[0].message.content;
}

実践例2: 動画字幕の自動生成

async function generateVideoSubtitles(videoPath: string) {
  // 動画から音声を抽出
  await new Promise((resolve, reject) => {
    ffmpeg(videoPath)
      .toFormat('mp3')
      .output('temp.mp3')
      .on('end', resolve)
      .on('error', reject)
      .run();
  });

  // Whisper で SRT 生成
  const srt = await openai.audio.transcriptions.create({
    file: fs.createReadStream('temp.mp3'),
    model: 'whisper-1',
    response_format: 'srt',
    language: 'ja',
  });

  // ファイルに保存
  fs.writeFileSync('subtitles.srt', srt);

  // 動画に字幕を焼き込み
  await new Promise((resolve, reject) => {
    ffmpeg(videoPath)
      .addInput('subtitles.srt')
      .outputOptions(['-c:v copy', '-c:s mov_text'])
      .output('video_with_subs.mp4')
      .on('end', resolve)
      .on('error', reject)
      .run();
  });

  // 一時ファイル削除
  fs.unlinkSync('temp.mp3');

  return 'video_with_subs.mp4';
}

実践例3: ポッドキャスト文字起こし + 要約

async function podcastTranscript(audioPath: string) {
  // 文字起こし
  const transcription = await openai.audio.transcriptions.create({
    file: fs.createReadStream(audioPath),
    model: 'whisper-1',
    response_format: 'verbose_json',
    language: 'ja',
  });

  // 話者分離は OpenAI にないため、文脈から推定
  const summary = await openai.chat.completions.create({
    model: 'gpt-4o',
    messages: [
      {
        role: 'system',
        content: 'ポッドキャストの文字起こしから、重要なポイントと名言を抽出してください。',
      },
      { role: 'user', content: transcription.text },
    ],
  });

  return {
    fullTranscript: transcription.text,
    segments: transcription.segments,
    summary: summary.choices[0].message.content,
  };
}

Next.js での実装

API ルート

// app/api/transcribe/route.ts
import { NextRequest } from 'next/server';
import OpenAI from 'openai';

const openai = new OpenAI({ apiKey: process.env.OPENAI_API_KEY });

export async function POST(req: NextRequest) {
  const formData = await req.formData();
  const file = formData.get('audio') as File;

  if (!file) {
    return Response.json({ error: 'No file' }, { status: 400 });
  }

  const transcription = await openai.audio.transcriptions.create({
    file,
    model: 'whisper-1',
    language: 'ja',
  });

  return Response.json({ text: transcription.text });
}

フロントエンド

'use client';

import { useState } from 'react';

export default function TranscribePage() {
  const [file, setFile] = useState<File | null>(null);
  const [result, setResult] = useState('');
  const [loading, setLoading] = useState(false);

  const handleSubmit = async (e: React.FormEvent) => {
    e.preventDefault();
    if (!file) return;

    setLoading(true);
    const formData = new FormData();
    formData.append('audio', file);

    const res = await fetch('/api/transcribe', {
      method: 'POST',
      body: formData,
    });

    const data = await res.json();
    setResult(data.text);
    setLoading(false);
  };

  return (
    <form onSubmit={handleSubmit}>
      <input
        type="file"
        accept="audio/*"
        onChange={(e) => setFile(e.target.files?.[0] || null)}
      />
      <button disabled={loading}>
        {loading ? '文字起こし中...' : '送信'}
      </button>
      {result && <div>{result}</div>}
    </form>
  );
}

精度向上のテクニック

1. 音声の前処理

• ノイズ除去: ffmpeg でバックグラウンドノイズを除去
• 正規化: 音量を統一
• サンプリングレート: 16kHz に変換（Whisper の内部処理と一致）

ffmpeg -i input.mp3 -af "afftdn, loudnorm" -ar 16000 output.mp3

2. 言語を明示

language パラメータを指定すると、精度が大幅に向上します。

3. 良いプロンプトを与える

文脈情報を prompt で伝えることで、専門用語の認識精度が上がります。

代替手段

サービス	特徴
OpenAI Whisper API	最高精度、有料
Whisper（オープンソース）	自前ホスティング、無料
Google Speech-to-Text	話者分離、多機能
AWS Transcribe	AWS 統合
Azure Speech	Microsoft エコシステム

セルフホスティング

Whisper のオープンソース版を自前で動かせます。

pip install openai-whisper
whisper audio.mp3 --language ja

GPU があれば、API を使わずに無料で実行できます。

まとめ

OpenAI Whisper API を使えば、以下のような用途の音声認識アプリを短時間で構築できます。

• 会議議事録の自動作成
• ポッドキャストの文字起こし
• 動画字幕の自動生成
• 音声メモのテキスト化
• コールセンターの通話記録
• 外国語会議の翻訳

API は使いやすく、精度も高いため、まず試してみる価値があります。$0.006/分 という低コストで、業務効率化の大きなインパクトが期待できます。

参考リンク

• OpenAI Whisper API Documentation
• Whisper GitHub Repository
• ChatGPT API で社内ツールを作る実践ガイド
• プロンプトエンジニアリングガイド