Whisper 字幕作成ツール

v1.0　／　2026年9月公開

MP4 や MP3 を放り込むだけで、AI（OpenAI Whisper）が話している内容を聞き取り、字幕ファイル（SRT / VTT / JSON）を書き出す Windows 用のフリーソフトです。

処理はすべて自分のパソコンの中で完結します。クラウドの文字起こしサービスと違い、音声データを外部に送信しません。社外秘の会議録画や、公開前の動画にも使えます。

対応：Windows 10 / 11　｜　NVIDIA GPU 対応（無くても動作）　｜　日本語対応　｜　無料・商用利用可

配布ファイルは約 31 KB です。必要な部品はセットアップ時に自動で取得されます。

できること

同じ音声を、自動整形の有無で比べたものです。 AI の生の出力は 1 行が 35 文字を超えることも多く、そのままでは字幕として読めません。

2
00:00:05,300 --> 00:00:13,120
今日の天気は晴れです 音声認識が正しく動いているかどうかを確認しています

2
00:00:05,280 --> 00:00:13,120
今日の天気は晴れです。音声認識が正しく
動いているかどうかを確認しています。

1 行あたりの文字数と行数は画面から変更できます。初期値は「20 文字 × 2 行」で、これはテレビ字幕の慣習に近い設定です。指定を超えた分は次の字幕に自動で分割され、表示時間も文字数に応じて割り振られます。

10 分の動画を標準設定（medium モデル）で処理した場合の目安です。

環境	処理時間	備考
NVIDIA GeForce RTX 3060 Ti	約 1〜2 分	VRAM 8GB。動作確認に使った環境
GPU なし（CPU のみ）	約 20〜40 分	small モデルへの変更を推奨

初回のみ、AI モデル（約 1.5 GB）のダウンロード時間が加わります。2 回目以降は不要です。

OS	Windows 10 / 11（64bit）
Python	3.10 〜 3.12 未導入の場合は公式サイトから。「Install Now」を押すだけで、管理者権限は不要です
空き容量	GPU あり：約 6 GB ／ GPU なし：約 3 GB
推奨 GPU	NVIDIA 製・VRAM 5GB 以上（GeForce RTX 3060 / 4060 以上）
ネット接続	初回セットアップ時のみ必要

対応形式：MP4 / MKV / MOV / AVI / WebM / WMV / FLV / TS / M4V / MPG ／ WAV / MP3 / M4A / FLAC / OGG / OPUS / AAC / WMA / AIFF

ダウンロードして展開する
ZIP を好きな場所（デスクトップなど）に展開します。
「セットアップ.bat」をダブルクリック
必要な部品が自動で入ります。初回のみ 10〜40 分ほどかかります。インストール先はこのフォルダの中だけで、パソコンの他の場所は変更しません。
「起動.bat」をダブルクリック
2 回目以降はこれだけです。

うまく動かないときは FAQ・困ったときをご覧ください。

バージョン	日付	内容
v1.0	2026-09-09	初回公開。SRT / VTT / JSON 出力、GPU 自動判定、複数ファイル処理、字幕の自動改行、日本語の句読点補完、残り時間表示に対応。

過去のバージョンは GitHub の Releases から取得できます。

本ツールは無料で利用でき、商用・業務利用も可能です。内部で利用している OpenAI Whisper（MIT License）、 PyTorch（BSD-3-Clause）、 PyAV / FFmpeg のライセンスに従います。

音声認識の結果は完全ではありません 音質が悪い場合や複数人が同時に話している場合は精度が落ちます。公開用の字幕として使う場合は、必ず内容を確認・修正してください。