同じ9.478625秒の英語音声を、2つの道具に3回ずつ読ませました。 最速の回は、whisper.cppが3.012943167秒、faster-whisperが1.009346125秒です。
予想と違ったのは、誤りの数でした。 6回とも、どちらも10文字ずつ間違え、文字誤り率は8.333333333333332%で並びました。
使ったのは、Macの中だけで動く文字起こしの道具です。 鍵も有料のAPIも使わず、公開されている小さなモデルをCPUだけで動かしました。
同じ短い音声の処理時間(秒):faster-whisperが3回中2回で1秒台
3回の測定で、faster-whisperは1秒台を2回出しました。 whisper.cppは、いちばん速い回でも3秒台でした。
2つの道具の入り方の違い
whisper.cpp
依存のない素のC/C++実装です。Appleのチップ向けの最適化があります。
faster-whisper
Pythonから使い、変換済みの公開モデルを読み込みます。
共通の注意
faster-whisperは、結果を取り出し始めてから文字起こしが動きます。
上の図は、2つの道具の入り方の違いです。 次の表で、1回ごとの秒数を見てください。
| 回 | whisper.cpp(秒) | faster-whisper(秒) |
|---|---|---|
| 1回目 | 3.012943167 | 1.009346125 |
| 2回目 | 4.212151125 | 2.645621458 |
| 3回目 | 3.274906709 | 1.014322833 |
faster-whisperの2回目だけは、2.645621458秒まで遅くなりました。 同じ音声でも秒数は回ごとに動くため、2回目と3回目は先に動かす道具を入れ替えて測っています。
モデルの読み込みは、この秒数に入れていません。 別に測ると、whisper.cppが0.160068583秒、faster-whisperが0.413863166秒でした。
ここが落とし穴:faster-whisperは取り出すまで文字起こしが始まらない
faster-whisperで時間を測るときは、結果を最後まで取り出すところまで入れないと、実際より速く見えます。 関数を呼んだ時点では、まだ何も文字にしていないからです。
faster-whisperのsegmentsはジェネレーター(必要になったときに1つずつ結果を渡す仕組み)です。 順に取り出し始めて初めて、文字起こしが始まります。
今回は、全部の区切りを取り出して文章につなげ終えるまでを計りました。
正解原稿に対する文字誤り率(CER・%):6回とも8.333333333333332%で同じ
CER(文字誤り率)は、正解との文字の違いを数え、正解の文字数で割った数字です。 2つの道具は、6回とも8.333333333333332%でした。
| ツール | 誤り文字数 | 文字誤り率(%) |
|---|---|---|
| whisper.cpp | 10文字 | 8.333333333333332 |
| faster-whisper | 10文字 | 8.333333333333332 |
採点では、大文字と小文字、空白、句読点の違いは数えていません。 正解の英文は、整えたあとで120文字でした。
間違えた場所は、ほぼ同じです。 どちらも「blue」を「new」と聞き違え、「seven」を数字の「7」で出しました。
数字の「7」は、正解の「seven」と文字が違うため、誤りとして数えています。 意味は合っていても、この採点では減点になる点に気をつけてください。
違いが出たのは、動詞の形です。 正解は「arrives」で、whisper.cppは「arrived」、faster-whisperは「arrive」と出しました。
同じ10文字の誤りでも、中身は少し違います。 文字誤り率の数字だけでは、この違いは見えません。
出力テキストのファイルサイズ(バイト):144バイトと143バイト
保存した文字起こしの大きさは、whisper.cppが144バイト、faster-whisperが143バイトでした。 差の1バイトは、「arrived」と「arrive」の1文字ぶんです。
英数字だけの文章は、1文字が1バイトになります。 だから、文字数の差がそのままファイルサイズの差になりました。
サイズは、末尾の改行を1つ付けたテキストファイルの実測です。 日本語を出力する場合は、1文字が複数バイトになるため、この数字とは変わります。
導入と動かし方の違い
whisper.cppは依存のないC/C++実装で、faster-whisperはPythonから使う道具です。 入れ方と使い方が違うので、先にここを見ると選びやすくなります。
whisper.cppの公式ページは、素のC/C++実装だと説明しています。 Appleのチップでは、MetalやCore MLも使えますが、今回はCPUだけに揃えました。
faster-whisperは、CTranslate2という実行エンジンの形式に変換した公開モデルを読み込みます。 そのCTranslate2は、pip installで入り、macOSのApple Silicon版も対応OSに挙がっています。
どちらにも、量子化(数字の細かさを粗くして、軽く速くする工夫)の選択肢があります。 今回の測定条件は、末尾の節にまとめました。
選ぶ決め手は3つ
この記録から言える決め手を、数字つきで3つ挙げます。
- 待ち時間を減らしたいなら、faster-whisperです。最速の回は、1.009346125秒と3.012943167秒の差でした。
- 誤りの数では選べません。6回とも10文字で、どちらも8.333333333333332%でした。
- 依存を増やさず組み込みたいなら、whisper.cppです。依存のない素のC/C++実装だからです。
向く人・向かない人・代わりの選択肢
まず待ち時間を減らしたい人は、faster-whisperから始めてください。 次の図で、自分に合う順番をたどれます。
どちらから試すか
- 1. 文字起こしの待ち時間をいちばん短くしたいですか?はい → faster-whisperから試します。いいえ → 2番目の質問へ進みます。
- 2. Pythonを使わず、C/C++のプログラムに組み込みたいですか?はい → whisper.cppから試します。いいえ → どちらでも構いません。自分の音声で秒数を比べて決めます。
faster-whisperが向かないのは、Pythonを入れたくない人です。 その場合の代わりは、whisper.cppです。
whisper.cppが向くのは、C/C++のプログラムに文字起こしを組み込みたい人です。 待ち時間だけで選ぶ人には向かないので、代わりにfaster-whisperを選びます。
| 状況 | 先に試す道具 | 理由 |
|---|---|---|
| 待ち時間を短くしたい | faster-whisper | 最速の回が1.009346125秒でした |
| C/C++に組み込みたい | whisper.cpp | 依存のない素のC/C++実装です |
| 誤りの少なさで選びたい | どちらでも同じ | 6回とも8.333333333333332%でした |
測定と比較の範囲
測ったのは、自作の英語合成音声1本です。 英語の3文を音声合成で読み上げ、16kHz・モノラルのWAVにして、2つの道具に同じものを渡しました。
使ったモデルは、公開されているWhisperのtinyです。 言語は英語、探索幅は5で、CPUだけ、1スレッドの設定に揃えました。
この結果は、肉声や日本語、雑音の多い録音、長い会議の品質を表すものではありません。 同じ音声を3回ずつ読ませた反復で、別々の音声を3本評価した結果でもありません。
内部の計算方式も違います。 whisper.cppは半精度の重みの形式、faster-whisperは32ビット浮動小数点の演算で動かしました。
量子化を使う設定、GPUやMetal、メモリ、電力、コマンドの起動を含む待ち時間は測っていません。 電源や温度、裏で動く処理は整えていないため、秒数は参考値として読んでください。
手順と生データは、サイト内の測定記録に公開しています。
出典
出典: whisper.cpp公式、faster-whisper公式、CTranslate2公式の導入ページ、Systranのfaster-whisper-tinyモデルページ(2026年11月1日確認)
変更履歴
- 2026年11月1日: 初版。2026年10月31日の実測記録と、公式4ページの確認結果で作成。
