Whisper（OpenAI）を使い始める前に：「自分のPCで動かす」と「APIに送る」の違い、日本語、データの行き先を、公式の資料で確かめる

3行でいうと

OpenAIの資料には、オープンソースのWhisper（READMEのモデルとコード）と、OpenAI APIの音声認識（whisper-1や、後継のgpt-transcribeなど）があります。APIの新しいモデルがWhisperと同じものだと書いた公式の文は、読んだ範囲では見つかりませんでした。コードとモデルの重み（学習済みの中身）はMITライセンスで公開されています。
自分のPCで動かす場合は、Pythonとffmpegを入れて、コマンド1行か数行のPythonで録音ファイルを文字にします。公式のREADMEは、Windows、macOS、Linuxの各環境でのffmpegの入れ方を載せています。
日本語は、公式のコードの言語一覧に入っていて、READMEのコマンド例にも日本語の音声があります。ただし、日本語だけの詳しい説明は、読んだ範囲では見つかりませんでした。
APIの音声認識は、公式が「whisper-1」を含む旧モデルを2027年2月26日に停止すると告知しています。後継として、gpt-transcribeなどが案内されています。
OpenAI APIに送った音声は、公式の資料によると既定ではモデルの学習に使われません。自分のPCで動かす場合の処理場所は、READMEには明記がなく、導入手順から読み取れる範囲にとどまります。

この記事は、公式の資料を2026年10月23日に読んでまとめたものです。この記事は、実際に使って確かめた記録ではありません。画面名・モデル名・金額は公式の表記を写しています。公式のページは要約の形で取得したため、「書かれていない」と言い切らず「読んだ範囲では見つからなかった」と書いています。精度や速さの数字は、載せていません。

先に結論

まず「どちらの入口を使うか」を決める。 自分のPCで動かす入口（オープンソース）と、OpenAI APIの入口は、必要な準備も、データの行き先も、お金のかかり方も違います。
音声入力アプリではなく、「録音ファイルを文字にするツール」と「その部品」。 公式のモデルカードは、そのままでは実時間（リアルタイム）の用途向きではない、と書いています。話しながら他のアプリに入力したい場合は、別の製品が要ります（下の「似た名前の別製品」を参照）。
APIは移行の途中にある。 whisper-1 は旧モデルとして扱われ、停止日が公式に告知されています。これから使い始めるなら、公式が推奨する新しいモデルの資料を読むのが筋です（見立て）。
日本語は「言語一覧にある」。 日本語の細かい癖や得意不得意は、公式の資料では確認できていません。使う前に、自分の音声で試すよう公式も勧めています。
他人の声を録るときは、同意を。 公式のモデルカードは、本人の同意なく撮った録音の文字起こしに対して注意を促しています。

前提：用語をそろえる

音声認識（ASR、文字起こし）：話し声を文字にすること。公式の発表は、Whisperを「automatic speech recognition (ASR) system」と呼んでいます。
オープンソース：コードとモデルが公開され、ライセンスの範囲で自分で動かせること。WhisperはMITライセンスと書かれています。
モデルの重み（weights）：学習が済んだモデルの「中身」のファイル。公式のREADMEは、コードと重みの両方がMITライセンスと書いています。
ffmpeg：音声や動画のファイルを読み書きするツール。自分のPCで動かすときに別に入れる必要がある、とREADMEにあります。
API：他のプログラムから、OpenAIのサービスを呼び出すための入口。使った分だけお金がかかる形で提供されます。
gpt-transcribe / gpt-live-transcribe：OpenAIのAPIにある、新しい音声認識のモデル名です。前者は録音ファイル向け、後者は低遅延のライブ向け、と公式の更新履歴にあります。
whisper-1：OpenAI APIにある、音声認識のモデル名です。公式のモデルのページは「General-purpose speech recognition model」と説明していて、READMEのWhisperと同じ種類の説明です（APIリファレンスは「Whisper V2」と添えています。オープンソースのWhisperそのものかどうかを書いた文は、読んだ範囲では見つかりませんでした）。現在は、停止が告知されています。
リアルタイム（ライブ）文字起こし：話している間に、少しずつ文字が返ってくる方式。APIには専用の入口があります。

たとえ話：「書記官を自宅に置くか、事務所に預けるか」

録音を文字にしてくれる「書記官」がいる、と考えてください。オープンソースのWhisperは、その書記官を自分の家（自分のPC）に迎える使い方です。ツールや広さ（PythonやGPUなどの準備）は自分で用意します。READMEの手順は、自分の環境で処理する形に読めます。OpenAI APIは、書記官のいる事務所に録音を郵送する使い方です。準備は少なくて済みますが、録音を送る先と、その扱いのルールを確かめる必要があります。どちらが良いかは、録音の中身と、準備にかけられる手間で決まります（これは見立てで、公式の説明ではありません）。

公式の区別：OpenAIの資料にある音声認識を並べる

入口	何か	公式の資料に書かれていること	確かさ
オープンソースのWhisper	github.com/openai/whisper のモデルとコード	汎用の音声認識モデル。多言語の音声認識、英語への音声翻訳、言語の識別ができる。コードと重みはMITライセンス	書かれている
OpenAI APIの音声認識	developers.openai.com の「File transcription」など	録音ファイルは `/v1/audio/transcriptions` で文字にする。推奨は gpt-transcribe。whisper-1 は停止が告知されている	書かれている
OpenAI APIのライブ文字起こし	「Realtime transcription」	話している間に文字が返る。推奨の開始点は gpt-live-transcribe	書かれている

APIの whisper-1 のモデルのページは、READMEのWhisperと同じ書き方（多言語の音声認識、音声翻訳、言語識別）で説明しています。ただし、このページに、オープンソースのWhisperと同じモデルだと明記した文は見つかりませんでした。一方、APIリファレンス（Create transcription）は、whisper-1 を「powered by our open source Whisper V2 model」（オープンソースのWhisper V2モデルで動く）と説明しています。
一方、APIの新しいモデル（gpt-transcribeなど）が、オープンソースのWhisperと同じ中身かどうかは、読んだ範囲の公式資料には書かれていませんでした。

どこで使えるか（対応OS・必要なもの）

自分のPCで動かす場合（READMEの記述）

項目	公式のREADMEに書かれていること
対応OS	「対応OSの一覧」は、読んだ範囲では見つかりませんでした。ffmpegの入れ方は、Ubuntu/Debian、Arch、macOS（Homebrew）、Windows（Chocolatey、Scoop）の例が載っています
Python	READMEは、開発者がPython 3.9.9を使い、Python 3.8〜3.11で動く見込み、と書いている（pyproject.tomlには3.8〜3.13の記載もある）
PyTorch	開発者はPyTorch 1.10.1を使い、最近のバージョンでも動く見込み、と書かれている
ffmpeg	コマンドラインのツールとして別に入れる必要がある
入れ方	`pip install -U openai-whisper` が基本の手順として載っている
実行	`whisper audio.flac audio.mp3 audio.wav --model turbo` のようにコマンドで文字にする。Pythonからも使える
GPU	各モデルの「必要なVRAM」（GPUが持つ作業用メモリの量）の目安は表にある。READMEにGPUを必須とする記述は見つからなかった。公式のコード（whisper/transcribe.py）では、コマンドの既定の実行先は「GPU（CUDA）があればGPU、なければCPU」で、CPUでは「FP16 is not supported on CPU; using FP32 instead」と警告が出て動く作り

公式のリポジトリのリリース一覧では、最新は「v20250625」（2025年6月26日）と表示されていました。リリースの説明文は「Release 〜」だけで、中身の詳細は読めていません。READMEの動作条件はPython 3.8〜3.11ですが、同じリポジトリのpyproject.tomlはPython 3.8以上で、3.12と3.13も対応として挙げています。公式の2か所で範囲が違うので、新しい版のPythonで使うなら、こちらも確かめてください。
モデルの大きさは、tiny、base、small、medium、large、turboの6種類。多言語に使えるのは全部で、英語専用の .en 版は tiny、base、small、medium にあります。必要なVRAMの目安は、tinyとbaseが約1GB、smallが約2GB、mediumが約5GB、turboが約6GB、largeが約10GBと表にあります。
turbo は「large-v3の最適化版」と書かれています。ただし、turbo は翻訳向けには訓練されていない、と注意書きがあります。

OpenAI APIの場合

APIキーを取得して、プログラムから呼ぶ形です。APIキーの取得や料金の登録の画面は、今回の資料では読めていません（公式の資料では確認できていません）。
録音ファイルの文字起こしは、1つのファイルが最大25MBまで、と公式のガイドにあります（ヘルプは whisper-1 について25 MiBと書き、新しいモデルは別の制限もありうるとしています）。対応形式は、ガイドでは mp3、mp4、mpeg、mpga、m4a、wav、webm。APIリファレンスでは、これらに加えて flac と ogg が挙がっています（資料同士で少し違います）。
リンク（URL）を渡すことはできず、ファイルをアップロードする、とヘルプにあります。

日本語は使えるのか（公式の表記）

オープンソース側：READMEのコマンド例に whisper japanese.wav --language Japanese があり、日本語の音声を日本語で文字にする例が載っています。公式のコード（tokenizer.py）の言語一覧に、日本語（ja）が入っていることも確認しました。
言語数は、資料によって書き方が違います。モデルカードは「非英語のデータは98言語」と書き、コードの言語一覧は100項目でした（読んだ要約のうえでの数え方で、違いの理由は確認できていません）。
API側：公式のガイドは「Whisperは98言語に対応し、言語によって精度が違う」という趣旨を書いています。日本語の名指しは、読んだ範囲のAPIの資料には見つかりませんでした。APIの言語指定は、ISO-639-1の言語コードで行います。
モデルカードは、言語ごとの性能は、その言語の学習データの量と関係がある、と書いています。日本語についての個別の記述は、読んだ範囲では見つかりませんでした。精度の数字は載せません。

無料と有料

オープンソースのWhisper：コードと重みはMITライセンスで公開されています。ライセンス上の使用料は書かれていません。ただし、動かすパソコン（電気代や、GPUがあればその費用）は自分持ちです。
OpenAI API：使った分の従量課金です。公式のモデルのページと料金のページの表示（確認日2026年10月23日、米ドル）は次のとおりです。

モデル	公式の表示	どこに書かれていたか
gpt-transcribe	$0.0045 / 分（モデルのページでは音声の長さ。料金のページでは推定の列）	モデルのページ、料金のページ
gpt-4o-transcribe	$0.006 / 分（推定）	料金のページ
gpt-4o-mini-transcribe	$0.003 / 分（推定）	料金のページ
whisper-1	$0.006 / 分	モデルのページ。料金のページには載っていなかった
gpt-live-transcribe	$0.017 / 分（推定）	料金のページ

APIの無料の枠や試用期間があるという記述は、料金のページには見つかりませんでした。gpt-transcribe と gpt-live-transcribe のモデルのページは、レート制限の表で Free の階層を「Not supported」（非対応）と表示しています（最初に制限が書かれている階層は Build）。つまり、この2つのモデルは無料の階層では使えない、という表示です（階層の決まり方は読んでいません）。
料金は変わることがあります。04でも、日付つきで整理します。

データの扱い：音声と文字起こしの結果はどこへ行くか

ここは使う前に一番確かめたいところなので、入口ごとに、公式の書き方を分けて書きます。

オープンソースのWhisperを自分のPCで動かす場合 - READMEは、「どこで処理されるか」「データが外へ出るか」を、はっきりした文では書いていませんでした（読んだ範囲）。導入の手順は、パッケージを入れて、自分のPythonの環境でモデルを読み込み、ファイルを処理する形です。 - モデルの重みの取得の仕方は、READMEには書かれていません。公式のコード（whisper/init.py）では、load_model に tiny や turbo などの名前を渡したとき、手元にファイルがなければ openaipublic.azureedge.net（OpenAIの配布先）からダウンロードし、~/.cache/whisper に置く作りです（取得後にハッシュ値で検証します）。つまり初回は通信が必要です。完全にネットにつながない環境で使いたい場合は、重みのファイルを先に用意し、そのファイルの場所を load_model に渡す形になります（コードにその分岐があります）。録音そのものが送られる処理ではありません。 - 学習データについては、モデルカードに「インターネットから集めた約68万時間の音声と文字」とあります。これは、モデルを作るときに使われたデータの説明です。自分のPCで動かしたときの録音が、OpenAIへ送られるかどうかについては、READMEに記述が見つかりませんでした。

OpenAI APIに音声を送る場合 - 公式の「Your data」のページには、2023年3月1日以降、APIに送ったデータはOpenAIのモデルの学習や改善に使わない、ただし利用者が明示的に共有に同意した場合は別、という趣旨が書かれています。 - 同じページの表では、/v1/audio/transcriptions と /v1/audio/translations は、学習への利用なし、不正利用の監視のための保存期間は「None」、アプリケーションの状態の保存は「None」、ゼロデータ保持（ZDR）の対象になりうる、とされています。一方、ページの別の箇所では、不正利用の監視ログはAPIのすべての利用で既定で作られ最長30日保存される、とも書かれていて、両者の関係は、ページ内では説明されていませんでした。 - 利用規約（Services Agreement、2026年1月1日付。公式は、APIやChatGPT Enterprise、ChatGPT Businessなど事業者向けの利用に適用され、個人の利用には適用されないと書いています）には、入力は利用者のもの、OpenAIは利用者が同意しない限りサービスの開発や改善にCustomer Contentを使わない、契約の終了後はCustomer Contentを30日以内に削除する（法的な保存義務などを除く）、という趣旨が書かれています。 - 処理される国や地域については、データレジデンシー（保存・処理する地域を選ぶ設定）が、プロジェクトごとの設定として用意されています。使うには営業への連絡が必要、とあります。詳しくは04で扱います。

使い方の入口：どのアプリに入るか、ファイルは読み込めるか

録音ファイルを読み込む。 これが基本の使い方です。オープンソース側は、whisper コマンドにファイル名を渡します。API側は、ファイルをアップロードします。
他のアプリに話して入力する機能は、公式の資料では確認できていません。 どちらの入口も、キーを押して話すと入力欄に文字が入る、という形のアプリではありません。ChatGPTには、マイクのアイコンで話した内容を文字にする「Voice Dictation」がありますが、これはChatGPTの機能で、Whisperのリポジトリやモデルとは別の説明です（Whisperを使っているかどうかは、読んだ範囲のヘルプには書かれていませんでした）。
ライブの文字起こし。 APIには、WebSocketやWebRTCでつなぐ「Realtime transcription」があります。オープンソース側は、公式のモデルカードが「そのままでは実時間向きではない」という趣旨を書いています。
会議の録音。 会議を録音して要約する専用の機能は、Whisperの公式資料では見つかりませんでした。録音ファイルを用意して文字にする、という使い方になります。

録音に関する公式の注意 - モデルカードは、本人の同意なく撮った個人の録音の文字起こしに使うことを避けるよう警告しています（"we caution against using Whisper models to transcribe recordings of individuals taken without their consent" とあります）。 - 利用規約（Services Agreement）は、利用者は、入力を提供するために必要な権利や許可を持っていることを表明する、と書いています。サービスの提供のために必要な、エンドユーザーからの同意を得る責任も、利用者にあります。 - 録音の知らせ方や、同意の取り方の手順は、読んだ範囲の公式の資料には見つかりませんでした。法律や社内のルールは、専門家や会社の担当に確認してください。

似た名前の別製品：このガイドが扱うのは、どれか

WebSearchで探した範囲では、「Whisper」という名前で、OpenAIのこのモデルとは別の、同名の音声認識製品は特定できませんでした（検索結果には第三者の解説や、Whisperを使った別の製品が多く、根拠にしていません）。
ただし、名前が似ていて、別の会社の別の製品もあります。このシリーズの別のガイドで扱っている「Superwhisper」や「Aqua Voice」は、それぞれ別の会社の「音声入力のアプリ」で、公式サイトも、データの扱いも別です。ここで書いたWhisperの説明は、それらには当てはまりません。
Whisperを部品として使う、第三者のアプリや移植版も、あるはずです。それらは公式の資料の範囲外で、読んでいません。

最初に決めること

自分のPCで動かすか、APIを使うか。 準備の手間、録音の中身、お金のかかり方で決めます。
録音に他人の声が入るか。 入る場合は、同意と、保存先のルールを先に確かめます。
日本語の音声か。 日本語は言語一覧にあります。自分の音声で一度試して、使えそうか見てから本番に進むのが無難です（公式も代表的な音声でのテストを勧めています）。
APIなら、新しいモデルの資料を読む。 whisper-1 は停止が告知されています。
長い録音か。 APIは1ファイル25MBまで。長い録音は分割する、と公式にあります。

気をつけること

この記事は、実際に使って確かめた記録ではありません。公式のページを要約の形で読んだ範囲です。
資料同士で食い違う所があります。たとえば、APIの音声認識のガイドと廃止の告知は whisper-1 の停止を書いていますが、whisper-1 のモデルのページには、廃止の記述が見つかりませんでした。対応形式も、ガイドとAPIリファレンスで少し違います。
対応OSの一覧（READMEにはなく、ffmpegの入れ方の例だけ）と、日本語の個別の説明は、読んだ範囲では確認できていません。GPUは必須と書かれておらず、重みの取得はコードで確かめました。APIの無料枠は、料金のページに見つかりませんでした。
公式の利用ポリシー（Usage Policies）のページは、効力発生日が2026年11月20日と表示されていました（確認日より後の日付）。これから適用される版の可能性があります。
音声には、声そのものや、話した内容が含まれます。保存や共有の前に、公式のプライバシーの資料を読み、必要なら専門家に確認してください。この記事は法律の助言ではありません。