OpenAI Whisperの文字起こしを無料で使う方法｜API課金版との違い・比較

OpenAI Whisper は、コードとモデルの重みが MIT ライセンスで無料公開されている音声認識モデルです。無料なのはこの利用料の部分で、実際に動かすにはPCの電気代・GPUの有無・セットアップの手間という実費が発生します。一方でOpenAI自身も、同じWhisperを含む文字起こしAPIを従量課金で提供しています。「無料のはずのWhisper」と「有料のWhisper API」を並べたとき、実際にどちらが得なのかを、公式ドキュメントの料金と電気料金の一次情報から計算して整理します。

01.結論：無料なのはコードとモデルだけ

「Whisperはローカルなら無料」という話は、正確には「コードとモデルの重みの利用に料金がかからない」という意味です。動かす場所（自分のPCやサーバー）を用意し、電気を使って計算する部分は、無料化の対象ではありません。とはいえ、後述の通りこの電気代自体はごくわずかで、すでにPCを持っている人にとっては実質的に無視できる水準です。コスト構造を分解すると、次の3つに分かれます。

• ソフトウェアの利用料：Whisper本体・whisper.cpp・faster-whisperのいずれもMITライセンスで無料
• 実行環境の実費：電気代（すでにあるPCなら実質これだけ）。GPUを新規購入する場合はその費用
• 時間コスト：環境構築、モデルのダウンロード、誤変換の校正にかかる手間

以下、それぞれの中身と、OpenAIの文字起こしAPIとの比較を順に見ていきます。

02.Whisperとは何か

Whisperは、OpenAIが2022年に公開した多言語対応の音声認識モデルです。GitHub の公式リポジトリで「コードとモデルの重みは MIT ライセンスで公開している」と明記されており、ダウンロードして自分のマシンで動かす分には利用料がかかりません。

モデルサイズとライセンス

Whisperにはパラメータ数の異なる6種類のモデルが公開されています。大きいモデルほど精度が上がる一方、必要なメモリが増え、処理速度は遅くなります。ここでの「メモリ」は、NVIDIA GPUならVRAM、Apple SiliconならCPU・GPUが共有する統一メモリを指します。

出典：openai/whisper README。各モデルには英語専用版（.en）もあります。相対速度はlargeモデルとの比較で、実時間（音声の長さ）に対する速度ではありません。

必要メモリはmedium・turboクラスまでなら8GB前後、精度重視のlargeでも10GB前後で収まる規模なので、専用GPUに限らず、直近数年のMacBook Pro（Apple Silicon、統一メモリ16GB以上）でも無理なく動きます。専用GPUを積んでいないノートPCやデスクトップでも、後述するwhisper.cppのような軽量実装と組み合わせれば実用速度で動きます。

「Whisper API」はOSS版のホスティング

紛らわしいのが、OpenAIが提供する文字起こしAPIの位置づけです。公式ガイドでは、API のモデル「whisper-1」を「OpenAIのオープンソースモデル」と説明しています。つまりwhisper-1は、ローカルで動かせるのと同じOSS版Whisperを、OpenAIのサーバー上でホスティングして従量課金で使えるようにしたものです。

03.ローカルで動かすのに必要なもの

本家のopenai/whisperはpip install -U openai-whisper で導入できます。Python・PyTorch・ffmpegが前提で、GPUがなくてもCPUだけで動作します。Python環境を構えずに使いたい場合は、whisper.cppやfaster-whisperのような軽量な再実装が選択肢になります。whisper.cppは公式READMEの通りApple Silicon（Metal・Core ML経由）に対応しており、専用GPUを積んでいない直近のMacBook Proでも十分実用的に動きます。

使い方自体はシンプルです。本家CLIならwhisper meeting.mp3 --model turbo --language Japaneseのように実行するだけで、日本語音声でも文字起こしのテキストや字幕ファイルが出力されます。OSはmacOS・Linuxに限らず、whisper.cppは公式にWindows（MSVC・MinGW）に対応しているほか、iOS向けの実装例（whisper.objc・whisper.swiftui、iPhone上でオフライン動作するデモも公開）やAndroid向けの実装例（whisper.android）も同じリポジトリに含まれているため、Windows PCはもちろんスマホアプリの土台としても使われています（スマホでの実用条件は08章FAQ参照）。

04.電気代を実際に計算する

「電気代くらいかかるのでは」という疑問に、具体的な数字で答えます。一例として、専用GPUを使う場合のミドルクラスGPU「GeForce RTX 4070」は、NVIDIA公式スペックによると消費電力（Total Graphics Power）が200Wです。東京電力エナジーパートナーの従量電灯Bの電力量料金単価（第2段階、2026年7月時点）は1kWhあたり36.40円なので、このGPUをフル稼働させ続けた場合の電気代は次のように計算できます。

つまり、専用GPU搭載機でもApple Silicon MacBook Proでも、すでに使える端末がある人にとって、ローカルWhisperの追加コストは1時間あたり一桁円というのが実態です。この水準を踏まえて、次にOpenAIの文字起こしAPIの料金と比較します。

05.有料APIとの損益分岐点

OpenAIは同じAPIの中に、料金の異なる複数の文字起こしモデルを用意しています。公式の料金ページによると、2026年7月時点の価格は次の通りです。

1ドル＝162円前後（2026年7月時点の実勢レート）で換算。為替は変動するため目安としてご覧ください。ライブ配信向けの gpt-realtime-whisper（$0.017/分）はリアルタイム配信用の別料金体系のため、バッチ処理の比較対象からは除いています。ローカル側にもリアルタイム向けツールがあり、本記事の電気代試算は録音済み音声をまとめて処理するバッチ用途が前提です（詳しくは08章FAQ参照）。

電気代だけで比べれば、ローカルの方が1時間あたり50円前後安く済みます。ただし、これは「すでにGPUを持っている」場合の話です。この用途のためだけに新しくGPUを購入するなら、初期費用の回収を考える必要があります。

06.価格以外の判断材料：精度とプライバシー

コストだけで決められない事情も2つあります。

API側のデータの扱いについても、OpenAIの公式ドキュメントでは「2023年3月1日以降、APIに送信されたデータは、明示的にオプトインしない限りモデルの学習には使われない」と説明されています。学習に使われないとはいえ、音声データ自体はOpenAIのサーバーに送信される点は、ローカル実行との違いとして押さえておく必要があります。

07.結局どちらを選ぶべきか

ここまでの内容を踏まえると、判断の分かれ目は次のように整理できます。

• すでに使える端末（GPU搭載PCでもApple Silicon Macでも）を持っていて、たまに使う程度：電気代がほぼ無視できるため、ローカル実行で十分です
• 社外秘の音声を扱う・オフライン環境で使いたい：データを外に出したくない用途なので、ローカル実行が向きます
• この用途のためだけにGPUを新規購入する必要がある：API側の料金がすでに安いため、購入費用の回収に時間がかかります。まずはAPIか、GPUなしで動くwhisper.cppから試す方が無難です
• 精度を最優先したい：ローカルWhisperより新しいgpt-4o-transcribe系を検討する余地があります

08.よくある質問（FAQ）

09.まとめ

OpenAI Whisperは、コードとモデルの重みがMITライセンスで無料公開されているOSSです。ただし「ローカルなら無料」は正確には「ソフトウェア利用料が無料」という意味で、動かすための電気代・環境構築の手間は別にかかります。すでに使えるPCがあれば電気代はOpenAIの文字起こしAPIより安く済みますが、この用途のためだけに新しくGPUを買うなら、料金差だけで元を取るのに相当な利用量が必要です。データを外に出したくない事情や、すでに使えるハードウェアの有無を軸に選ぶと、判断がぶれません。