Whisper Snapperは、独立開発者のEvan Harrisが手がけたネイティブmacOS向け文字起こしアプリです。端末内のParakeet、WhisperKit、Whisperの各モデルで音声や動画をオフライン変換でき、自分で用意した鍵を使えばクラウドAPIも選べます。話者分離、端末内Llama 3.2による要約と翻訳、SRTやVTT、PDFへの書き出しにも対応します。
このツールを使いましたか？評価してください
Whisper Snapperは、音声や動画を文字に変換するネイティブmacOSアプリです。Mac App Storeに「Whisper Snapper Transcriptions」という名称で登録されており、App Storeの記録では開発者も販売者もEvan Harris個人となっています。Product Huntでの本人の自己紹介は「ソロファウンダー、ビーチ好き、インディー開発者」。この一文は製品の性格をよく表しています。営業チームを抱えた資金調達型プラットフォームではなく、開発者ひとりが作った目的の明確な道具だということです。
この背景は見た目以上に重要です。個人が作り、一度だけ代金を受け取る文字起こしソフトは、継続課金を成立させるためにユーザーの録音を自社サーバーに置かなければならないサービスとは、そもそも動機が違います。Whisper Snapperの設計全体がその違いの上に成り立っています。望むなら、文字起こしの全工程がネットワークに一切触れないようにできるのです。
公式サイトの第一声は簡潔です。「The Transcription App Mac Users Deserve.」（Macユーザーが本来手にすべき文字起こしアプリ）。その下に対象が並びます。動画、ポッドキャスト、会議、ボイスメモなどを文字起こしし、20を超える言語で要約と翻訳を作る。しかもすべてが手元のMacの中で非公開に動く、という説明です。
製品名の「Whisper」は、OpenAIが公開したオープンソースの音声認識モデル群を指します。Whisperは寛容なオープンソースライセンスで配布されているため、どの開発者もモデルの重みをダウンロードし、手元で動かし、その上に製品を作ることが認められています。Whisper Snapperがしているのはまさにそれで、加えて他の提供元のモデルも組み込んでいます。
Whisper SnapperはOpenAIの製品ではなく、OpenAIが運営しているわけでもなく、両者の間に提携や推薦、資本関係があるという証拠はどこにもありません。オープンライセンスのモデルを動かす独立したサードパーティ製アプリです。製品名にモデル名を使うこと自体は法的にごく一般的で、この場合は技術的にも正確です。実際にWhisperを走らせているのですから。
ただし、はっきり指摘しておくべき点があります。このサイトには提携関係や商標に関する注意書きが一切ありません。 トップページはOpenAI Whisper、GPT-4o、NVIDIA Parakeet、Deepgram Nova-2、Llamaを繰り返し名指ししながら、「これらの企業とは提携関係になく、推薦も受けていない」という一文を置いていません。これは欺瞞というより記載漏れです。その一方で、このアプリはどのエンジンが何を担うのかを極めて明快に開示しています。プライバシーポリシーはOpenAIとDeepgramをサードパーティ処理者として実名で挙げ、各社のポリシーへ直接リンクを張っています。上流の技術を自社開発であるかのように見せかける意図はまったくありません。したがって妥当な評価はこうなります。定型の免責文が抜けているだけで、オープンソースと商用モデルを正直に包んだ製品であり、実体のない看板貸しではありません。
多くの文字起こし製品は、ユーザーに一度きりの選択を迫ります。クラウドサービスを使って録音が手元を離れるのを受け入れるか、ローカルツールを使って動作の鈍いソフトを我慢するか。Whisper Snapperの立場は、その判断は製品側で固定するものではなく、ファイルごとに下すべきだというものです。サイトの表現を借りれば、必要なときにはプライバシーを、不要なときには速度を。機微な録音はすべてMacの中で処理し、速度が要るときはクラウドへ回す。その判断を毎回やり直せるという趣旨です。
このアプリを理解するうえで最も重要なのがここです。記者であれば、午前中は秘匿すべき情報源へのインタビューを完全オフラインで文字起こしし、午後は公開シンポジウムの録音を速度重視でクラウドAPIに渡す、という使い分けが同じアプリのままできます。
ローカル文字起こしは、Mac自身のチップだけで動きます。モデルは一度ダウンロードすれば、以後の文字起こし作業にインターネットは要りません。App Storeのページにはかなり充実したローカルモデルの一覧が載っています。OpenAI Whisperのtiny、base、small、large-v3、large-v3-turbo、distil-large-v3。NVIDIA Parakeetのv2（英語）、v3（25言語、話者分離対応）、TDT-CTC-110M。さらにアリババのQwen3 ASRと、翻訳・要約を担うLlama 3.2です。
Whisperのサイズ違いを取りそろえているのは、仕様表の飾りではなく実用上の利点です。tinyは軽くて速く、きれいな一人語りのボイスメモを検索可能なテキストにするだけなら十分に間に合います。large-v3は訛りのある発話、話者の重なり、騒がしい室内で格段に強い一方、計算負荷もはるかに重くなります。両方を入れておけば、作業に応じてモデルを選べ、常に最悪ケースの計算コストを払わずに済みます。
ParakeetはNVIDIAが開発した別系統のモデルで、Appleシリコン上ではとりわけ高速な傾向があります。v3は25言語をカバーし、そして重要なことに、話者分離をローカルで処理できます。これはすべてのオフラインモデルができることではありません。
クラウドの選択肢は、Whisper Snapperの商売の仕組みが多くの競合と分かれるところであり、購入前に必ず理解しておくべき点です。サイトは、速度を求めるならOpenAI Whisper、GPT-4o、Deepgramのクラウドインターフェースを使えると案内しています。
肝心なのは、このアプリがAPI利用枠を転売していないことです。Product Huntの製品説明はクラウド文字起こしが「個人のAPIキー」を使うと明記し、プライバシーポリシーも曖昧さがありません。これらのサービスを使うには、利用者自身がAPIキーを用意する必要があります。
この構造は両方向に実質的な影響をもたらします。良い面は、API事業者に卸値のまま直接支払うので開発者のマージンが乗らず、開発者が音声や課金関係を握る仲介者にもならない点です。厄介な面は、クラウドモードを使うにはOpenAIかDeepgramに自分で登録し、キーを発行し、アカウントに入金する必要がある点です。一度払えばクラウド文字起こしがそのまま動く、と期待していたなら、そういう仕組みではありません。クラウドの費用は別建てで、継続的に、事業者が従量で請求するものであり、このアプリの買い切り価格には一切含まれません。
話者分離、つまりどの発言を誰がしたかを示す機能は、インタビューの書き起こしを区別のない文字の塊から使える資料へと変える決定的な要素です。トップページの説明はこうです。誰が何を言ったかを把握でき、話者分離はDeepgram、GPT-4o Transcribe、Parakeet v3を通じて利用できる、と。
「を通じて利用できる」という限定に注意してください。分離機能はアプリ内のすべてのエンジンで使えるわけではなく、右記の特定モデルに紐づいています。話者ラベルが業務に不可欠で、なおかつ完全オフライン動作も必要なら、選ぶべきローカルモデルはParakeet v3です。残る二つの経路はクラウドサービスだからです。
2026年7月に出た1.7版のリリースノートにも、この領域の継続的な改善が記録されています。話者セグメントの絞り込みの不具合を修正し、話者タイムラインに不自然な短いセグメントが生じる問題を解消した、という内容です。この短い幽霊セグメントは話者分離の典型的な失敗の形で、システムが数語を、実在しない追加の話者に一瞬だけ誤って割り当ててしまう現象です。これが発見され修正されたという事実は、公開後に放置された小物ではなく、手入れの続いている製品であることを示しています。
1.1版は、素の文字起こしの上に第二のAI層を重ねました。そして珍しいことに、この層もローカルで動きます。
要約は利用者自身のマシン上でLlama 3.2によって生成されます。トップページの説明では、1時間に及ぶ録音をワンクリックで簡潔な要約に変え、その処理は完全にMacの中で動くLlamaが担うため、内容が端末の外に出ることはない、とされています。
翻訳も同じ仕立てです。トップページはスペイン語、フランス語、ドイツ語、日本語、中国語をはじめ20以上の言語へ書き起こしを翻訳でき、処理はすべてLlamaによりローカルで完結すると述べています。App Storeのページはより網羅的で数字も少し異なり、「AI翻訳——30言語」と表示したうえで、スペイン語、フランス語、ドイツ語、中国語、日本語、韓国語、ポルトガル語、イタリア語、オランダ語、ロシア語、アラビア語、ヒンディー語、トルコ語、ポーランド語、ベトナム語、タイ語、インドネシア語、スウェーデン語、デンマーク語、ノルウェー語を列挙し、インターネット接続は不要と付記しています。
これは構造上、大きな意味を持ちます。AI要約を備えた文字起こしアプリは少なくありませんが、そのほぼすべてが、出来上がった書き起こしをクラウドの言語モデルへ送る方式です。それではローカル文字起こしのプライバシー上の利点が静かに帳消しになります。結局あなたの言葉は他人のサーバーに届くのであり、ただ一段階遅れて届くだけだからです。Llama 3.2で端末内要約を行えば、その穴がふさがります。守秘義務のある資料を扱う人にとって、これは「本当に全工程オフライン」と「オフラインに見えるだけ」の違いです。
ただし品質への期待は現実的に置くべきです。Llama 3.2は民生機で無理なく動くよう選ばれた小型モデルです。要約は実用に耐え、翻訳は意味を伝えますが、ニュアンスや慣用表現、専門用語で最前線のクラウドモデルには及びません。ここで意図的に選ばれた交換条件がそれです。一定の品質上限を受け入れる代わりに、プライバシーとゼロの限界費用を得るわけです。
この節はとりわけ慎重を要します。精度は買い手が最も知りたがり、売り手が最も盛りやすい指標だからです。
評価すべき点として、Whisper Snapperはここでかなり抑制的です。文字起こしエンジンの選び方を扱った自社の記事は、単語誤り率もベンチマーク表も精度のパーセンテージも一切載せていません。エンジンを定性的にのみ区別し、Deepgramは処理が非常に速い、Parakeet v2は速くて軽量だと述べ、対応言語数についてはWhisper APIが99以上、DeepgramはWhisperより少ない30余り、Parakeet v3が25言語としています。トップページ見出しの「正確な文字起こし」は、数字の伴わないマーケティング表現です。
この抑制は、自信満々の統計値よりむしろ価値があります。ここには監査すべきベンダー側の精度数値がそもそも存在しません。ベンダーが公表していないからです。
評価できるのは基盤モデルそのものです。公開されており、独立したベンチマークが存在するからです。発表済みの評価によれば、Whisper large-v3はLibriSpeechのクリーンな音声、すなわち専門的に録音された朗読音声で単語誤り率およそ2.7%を記録します。一方、現実に近い雑然とした素材では独立試験の値が8〜12%程度に近づき、あるサードパーティの評価はlarge-v3を7.88%と測定しました。研究者はまた、large-v3が以前の版より幻覚を起こしやすく、散発的な語の誤りではなく、作り話が長く連なる形で現れることがあると記録しています。
ここから実用上の結論が三つ導けます。第一に、精度は録音条件で大きく振れます。きれいな一人語りの録音と、ノートPCのマイクで拾った四人のオンライン会議は、まったく別の難易度の課題です。第二に、精度は言語によって異なります。英語のような高資源言語は低資源言語よりはるかに良好で、「99以上の言語に対応」は対応範囲を語るだけで、すべての言語の品質が同等という意味ではありません。第三に、業務用途で最も重いのがこれですが、Whisper系の幻覚は、誤りが目に見えて壊れた形で現れるとは限らないことを意味します。モデルは一度も発せられなかった文を、流暢で、もっともらしく、断定的な調子で生成しうるのです。引用、法的文書、診療記録に用いる書き起こしは、必ず元の音声と突き合わせて確認してください。アプリのクリック可能なタイムスタンプは、まさにその確認作業を実際にやる気になる速さにするために存在します。
文字起こしツールにとってこの節は決定的です。会議の録音、顧客との通話、情報源へのインタビューは、多くの人が生涯に作るもののうち最も機微なファイルに属するからです。Whisper Snapperのプライバシーポリシーは実際に堅固で、しかも珍しく具体的です。
ポリシーは、このアプリが個人情報、利用状況の分析やアプリ統計、クラッシュレポートや診断データ、位置情報、端末識別子、そして広告目的のいかなるデータも収集・保存・送信しないと明言しています。要約の項には「アカウント不要：個人情報を収集しません」「分析も追跡もなし：利用状況を監視しません」と並んでいます。
クラッシュ報告と利用分析を入れていないのは、形式的な文句ではなく実質的な約束です。多くのインディー開発者がテレメトリを残すのは、それが不具合を見つける主要な手段だからです。それを手放すのは、プライバシーの立場のために実際のコストを払ったということです。
ローカル文字起こしについて、ポリシーの表現は断定的です。処理はすべて完全にMacの中で行われ、音声・動画ファイルはどこにもアップロードされず、インターネット接続は不要で、開発者は利用者のファイルや書き起こしにアクセスできない、と。ポリシーはこれを「利用できる選択肢の中で最もプライベートな方法」と呼んでいます。
クラウド文字起こしについては、代償にも同じくらい率直です。利用者の音声は処理のためサードパーティのAPI提供者へ送信されると述べています。OpenAI（Whisper API、GPT-4o Transcribe）とDeepgram（Nova-2）を実名で挙げ、それぞれのプライバシーポリシーへリンクし、クラウドサービス利用時には音声がこれらサードパーティのポリシーに従うことになるので、利用前に確認するよう勧める警告まで添えています。
これはまさに適切な開示の仕方です。クラウドモードがプライベートであるかのように装わず、そのデータを実際に規律する当事者を直接指し示しています。
保持期間はカウントダウンではなく、利用者自身の操作で決まります。何かを抱えているサーバーが存在しないからです。ポリシーはこう記します。書き起こしはアプリ内で削除するまで保持され、APIキーは削除するまでキーチェーンに残り、録音した音声はファイルを消すまで保たれる、と。さらに、アプリを削除すると環境設定は消えるが、書き起こしとキーチェーンの項目は別途削除が必要な場合がある、とも注意しています。有用でありながら省かれがちな注記です。
人々が最も知りたい二点、すなわち自分の音声がAIの学習に使われるのか、人間が聴くことがあるのかについては、ポリシーにどちらとも明示した記述がありません。ここは好意的に解釈せず、正確に述べるべきところです。ローカル処理に関しては問い自体が成立しません。開発者は利用者のデータを受け取ったり保存したりするサーバーを運用していないと述べており、ファイルが彼らに届いて学習や確認に使われる経路が存在しないからです。クラウド処理に関しては、答えを出す主体がこのアプリではありません。利用者が提供したキーに紐づくアカウントに適用される、OpenAIまたはDeepgramの規約がそれを定めます。学習と人による確認の方針が重要なら、その確認はAPI提供者側で、自分が使っている具体的なプラン区分について行う必要があります。
APIキーの扱いは明記されています。クラウド文字起こしサービスを使う場合、キーはmacOSのキーチェーンに安全に保存され、開発者は利用者のキーにも送信した音声にもアクセスできません。アプリはさらにサンドボックス内で動作し、Appleの強化されたランタイムを有効にしています。
辻褄の合わない箇所が一つあるので指摘しておきます。プライバシーポリシーに記された更新日は「Last Updated: December 2024」、すなわち2024年12月です。ところがApp Storeの記録では、このアプリの初回リリース日は2025年12月17日と丸一年後であり、1.7版は2026年7月23日に配信されています。
つまりポリシーに書かれた日付が、製品の公開より前になっています。最も自然な説明は単純な誤記で、2025年12月を2024年12月と書いた可能性です。ポリシーの中身自体も、他の経路で確認できるアプリの説明と矛盾しません。しかし文字どおり読めば、この文書は、その後にローカル要約・翻訳、リアルタイム文字起こし、五つの新規モデルを加えた製品に対して古くなっています。法的文書と製品記録が食い違うときは、製品記録のほうが検証可能です。App Storeの日付はAppleのシステムが自動生成し任意に書き換えられないのに対し、ポリシーの日付は人手で入力された値だからです。よってポリシーの内容は現行有効、日付は誤記と見るのが妥当です。ただし規制のかかる業務に導入するなら、開発者に確認と日付の訂正を求めるのが賢明です。
トップページの対象読者の段落は、法務・医療の専門職に向けて「コンプライアンス要件を満たす——サードパーティへのデータ共有なし」と述べています。この一文はローカルモードに限定して読んでください。ローカルモードでは正確です。何も端末を出ないのだから共有のしようがありません。クラウドモードでは正確ではありません。音声は現に第三者へ渡ります。またこの文はいかなる認証でもありません。公表されたHIPAAの確約もSOC 2報告書もなく、事業提携契約（BAA）の提供もありません。規制業務においてローカルモードは構造的に擁護できますが、このマーケティング文があなた自身のコンプライアンス評価の代わりになることはありません。
商売の仕組みは気持ちよいほど平明で、最大の売りはサブスクリプションがないことです。トップページは、永久に無料で試すか、一度きりの支払いでProへアップグレードでき、サブスクリプションは一切ないと明記しています。
App Storeの記録は、このアプリのダウンロード価格が無料であることを裏づけています（価格欄は0.00米ドル）。Product Huntの紹介を含む複数のサードパーティ情報は、Proへのアップグレードを継続課金のない一度きりの9.99米ドルと伝えています。
この数字については二点、正直に述べておきます。第一に、9.99米ドルはトップページに印字されていません。冒頭には金額のない「Proは一度きり」という表記があるだけで、この数値はサードパーティの収録とアプリ内課金から得たものです。開発者はいつでも価格を変えられるので、購入前にApp Storeで現在の価格を確認してください。第二に、App Storeの照会記録にはアプリ内課金の項目一覧が返ってこないため、無料枠とProの機能の切れ目は、公に検証できる形では文書化されていません。何が永久に無料で何がアップグレード対象かは、アプリを実際に入れて確かめるのが確実です。導入自体は無料です。
それでも採算の話は見ておく価値があります。サブスク型の文字起こしサービスは通常、月額か分単位で課金します。10米ドル前後の一度きりの支払いに、1時間あたりの費用がゼロのローカルモデルが加われば、ヘビーユーザーの限界費用は実質ゼロです。週に数時間を文字起こしする人なら、従量課金のサービスと比べて数日で元が取れることも珍しくありません。反対側の重しは繰り返しになりますが、クラウドモードのAPI料金は利用者の負担であり、アプリが上限を設けてくれるわけではないという点です。
これはこのアプリで最も硬い関門であり、見込み利用者のかなりの部分をふるい落とします。
Whisper SnapperはmacOS専用です。Windows版もLinux版もiPhone・iPad用アプリもウェブ版もなく、公開APIもありません。App Storeの記録はこれをMac用ソフトウェアに分類しており、配布経路はApp Storeのみです。
システム要件は際立って厳しめです。App Storeの記録に載る最低OSバージョンは26.0、つまりかなり新しいmacOSです。今も問題なく使われている旧世代のMacの多くは、先にOSを上げなければインストールすらできません。このツールを計画に組み込む前に、自分のmacOSのバージョンを確認してください。他のどの要因よりも、この一行が多くの見込み利用者を排除します。
App Storeの記録で確認できるその他の仕様は次のとおりです。ダウンロード容量は約30.4MB（30,431,988バイト）、レーティングは4+、主分類はユーティリティで副分類はビジネス、現行版1.7は2026年7月23日、初版は2025年12月17日の配信です。
アプリ自体の対応言語一覧には英語しか含まれていません。これを文字起こしの対応言語と混同しないでください。このアプリは多くの言語を文字起こしし翻訳しますが、メニューやボタンは英語のみです。
読み込める形式はMP4、MOV、M4A、MP3、WAVです。録音機能も内蔵されているので、別の場所で録ってから取り込まずとも、アプリ内で直接録れます。
2026年7月のリリースノートが描くのは、通常の保守ではなく実質的な拡張です。筆頭に来るのはリアルタイム文字起こしで、録りながら同時に変換し、複数回の録音セッションを一時停止・再開しながら一本の波形タイムラインにまとめられます。リアルタイム変換はバッチ処理とは明確に異なる能力であり、複数テイクをまたぐ一時停止と再開はインタビュー作業への細やかな配慮です。
同じ版でローカルモデルが五つ増えました。Cohere Transcribe（14言語）、Parakeetの日本語版、Parakeet v3 INT4、SenseVoice、そして83言語に対応するNemotron多言語ストリーミングモデルです。あわせてモデルのダウンロード機構を信頼性重視で作り直し、バックグラウンドでの書き起こし検索、CohereをAppleのNeural Engineへ直接回す経路、長時間音声を一括ではなくチャンク単位で処理する変更など、性能面の改良も入っています。
最後の変更の重みは見落とされがちです。チャンク単位の処理は、長い録音がメモリを食い尽くすのを防ぐ手立てであり、開発者が実際に長尺ファイルを扱う利用者から寄せられた問題を直してきたことを物語ります。
アプリの外に出せない書き起こしは使い道が限られますが、このアプリの書き出しは対応が広いです。トップページが挙げる形式はTXT、SRT、VTT、Markdown、CSV、PDFで、動画編集用の字幕や体裁の整った文書を作れます。
どの形式にも実際の行き先があります。SRTとVTTは動画編集ソフトへそのまま入る字幕形式です。トップページが引くポッドキャスト編集者は、SRTの書き出しがFinal Cutにそのまま収まると述べています。Markdownはノートアプリや公開の工程に合い、CSVは表計算での分析への扉を開きます。インタビュー資料を質的にコード化する研究者には重要な点です。PDFはそのまま配れる体裁の文書を作り、TXTは万能の備えになります。
アプリ内で書き起こしを扱う機能も備わっています。App Storeのページは、長い録音を移動できるクリック可能なタイムスタンプ、書き起こし内の即時検索、アプリ内での編集と推敲、そしてSwiftDataによる全書き起こしのローカル保存を説明しています。
先に述べた幻覚のリスクを踏まえると、クリック可能なタイムスタンプはとりわけ強調に値します。一行を押せば音声の該当箇所へ飛べることが、確認作業を「実際にやる気になる速さ」にする仕掛けだからです。アプリ内編集は見つけた問題をその場で直させてくれ、別のソフトへ書き出して音声との対応を失うこともありません。
導入の手順は意図的に最小化されています。放り込んで、置いて、終わり。アカウントも複雑な設定もチュートリアルも要らず、ファイルをドラッグできれば文字起こしできる、というわけです。アカウントを求めない点は、サーバーを持たない構造と一貫しています。そもそも登録する先のサーバーがないのです。
一括処理にも対応し、複数ファイルをまとめて追加してファイルごとに進捗を追えます。一件ずつではなく、たまった録音の山を片づけるなら効いてくる機能です。
トップページは六種類の利用者像を挙げますが、鵜呑みにせず吟味する価値があります。
記者と研究者が最もよく合います。機微な情報源をクラウドへ上げずにインタビューを文字起こしできるという利点は、現実の職業的義務に応えるものです。情報源の保護は記者にとって好みの問題ではなく、倫理上、ときに法律上の責任です。サーバー構成要素を一切持たない完全ローカル処理は、その義務への実質的な回答であって、営業上の身振りではありません。
法務・医療の専門職が次に合いますが、既述の但し書きが付きます。ローカルモードに限ること、そしてマーケティング上のコンプライアンス文言は認証ではないことです。
ポッドキャスターと制作者が得る利点は、主に話者分離とSRT書き出しの組み合わせです。複数ホストの回を文字起こしし、話者ラベルを自動で得て、字幕を編集ソフトへ入れる。この流れこそがこのツールの形です。
学生と教育者は講義録音の文字起こしとローカル要約を得られますが、学生の機材は古いことが多いだけに、macOS 26という関門をとりわけ慎重に見積もるべきです。
企業とリモートチームは議事録の作成に使えますが、これが単一利用者向けのデスクトップアプリである点に留意してください。共有ワークスペースもチーム課金も共同編集もなく、通話に自動参加する会議ボットもありません。共有とはファイルを書き出して送ることです。一体化した共同作業を求めるチームは別を当たるべきです。
アクセシビリティ用途、つまり聴覚に障害のある視聴者向けの字幕制作は、字幕書き出し形式によく支えられています。ただし機械字幕は公開前に人の校正が要る、という原則は変わりません。
選ぶべきでない人は次のとおりです。比較的新しいMacを使っていない人、モバイルでの録音が必要な人、自動処理に組み込むAPIが必要な人、チーム共同作業の機能が必要な人、そして自分でAPIアカウントを用意せずにクラウド文字起こしがすぐ動いてほしい人です。
どれも埋もれないよう一箇所にまとめます。
プラットフォームの固定。 macOS専用、最低システム26.0。Windows、Linux、iOS、Android、ウェブ版はありません。単一項目としては最大の制約です。
APIがない。 サーバー側の自動処理へ組み込めません。対話的に使うデスクトップアプリです。
クラウドモードは自前キー方式。 OpenAIまたはDeepgramの別アカウントが必要で、費用は利用者負担、アプリによる上限もありません。
話者分離はモデル依存。 Deepgram、GPT-4o Transcribe、Parakeet v3のみが提供し、オフラインでの分離はParakeet v3に限られます。
ローカルモデルの性能は手元のハードウェア次第。 大きなWhisperモデルは負荷が高く、古めや控えめな構成のMacではlarge-v3は遅くなります。アプリが機械を速くしてくれるわけではなく、より小さなモデルを選ばせてくれるだけです。
保存容量の負担。 ローカルモデルはダウンロードして保管する必要があります。30.4MBはインストーラの大きさであってモデルの大きさではなく、ローカルモデルを一式そろえるとはるかに多くの容量を使います。
要約と翻訳の品質は小型モデルの上限に縛られる。 端末で動くLlama 3.2は最前線のクラウドモデルには及びません。
独立した評価の蓄積がない。 App Storeの記録では利用者評価数は0で平均点もありません。G2、Capterra、Trustpilotへの収録はなく、主要な技術メディアの報道もありません。Product Huntでは139票と当日7位という成績があり、これは実在するが限定的な手がかりです。トップページの利用者の声は名前と肩書きだけで、独立に確認できません。生まれて間もないインディーアプリとしては普通のことですが、成熟した評判の合意ではなく、無料枠での実感を頼りに判断することになるという意味です。
インターフェースは英語のみであり、文字起こしの対応言語とは別の話です。
精度は本質的に振れ幅があるうえ、Whisper系の幻覚により誤りが流暢に見えることがあります。引用する内容は必ず突き合わせてください。
プライバシーポリシーの日付が製品の年表と食い違います。 前述のとおりです。
結果を目に見えて良くする実践的な習慣をいくつか挙げます。
支払う前にまず無料枠で試し、しかもきれいな見本ではなく、自分が抱えている最も手強い音声で試してください。実際に手を焼いているその録音こそが、このツールが役に立つかどうかを決めます。
素材に合わせてモデルを選んでください。きれいな一人語りで速度が要るなら小型のローカルモデルを、訛りや話者の重なり、背景の騒音がある難しい録音にはlarge-v3を充てます。
プライバシーの方式はファイルごとに意識して決めてください。この構造の意義は、その選択が毎回できることにあります。既定値任せにせず、自分で判断しましょう。
モデルを責める前に入力を改善してください。外付けマイク、静かな部屋、そして話者が互いの発言に被せないこと。これらは、どんなモデルの更新よりも精度に効きます。
インタビューでは最初から分離に対応したエンジンで話者ラベルを有効にしてください。後から手作業で話者を振るのは、はるかに時間がかかります。
引用の前に検証してください。公開・引用・保管するつもりの箇所は、クリック可能なタイムスタンプで抜き取り確認しましょう。
クラウドモードを使うなら、API提供者側で支出上限を設定してください。アプリは使用量を制限せず、たまった素材を大量に処理すると費用は急速に積み上がります。
いいえ。App Storeの記録で開発者・販売者ともEvan Harrisとなっている独立したmacOSアプリです。名前の「Whisper」はOpenAIがオープンライセンスで公開した音声認識モデルを指し、このアプリはそれと並んでNVIDIA、Deepgram、Cohere、アリババ、Metaのモデルも動かします。提携や推薦の証拠はありません。サイトに明示的な提携の注記がない点は指摘に値しますが、それ以外では使用するサードパーティのエンジンを明快に開示し、各社のポリシーへ直接リンクしています。
クラウドのエンジンを自分で選んだときだけです。ローカルモデルを使う場合、プライバシーポリシーは音声・動画ファイルがどこにもアップロードされず、インターネット接続も不要だと明言しています。OpenAIやDeepgramのクラウド文字起こしを選ぶと、音声は処理のためサードパーティのAPI提供者へ送られます。この選択は文字起こしのたびに行うので、ファイル単位で利用者が握れます。
サーバー側の保持期間はありません。開発者が利用者データを受け取るサーバーを運用していないと述べているからです。すべては削除するまで手元の機械に残ります。書き起こしはアプリ内で消すまで、録音した音声はファイルを消すまで、APIキーは取り除くまでキーチェーンに保持されます。アプリを削除しても書き起こしとキーチェーンの項目は自動では消えない点に注意してください。
プライバシーポリシーはどちらについても明示していません。ローカル処理では問い自体が成立しません。開発者はサーバーを運用しておらず、ファイルが彼らに届く経路がないからです。クラウド処理では、利用者が提供したキーに紐づくアカウントに適用されるOpenAIまたはDeepgramの規約が答えを決めるのであって、このアプリが決めるのではありません。学習と人による確認の方針が重要なら、API提供者側で自分の具体的なプラン区分について確認してください。
アプリはMac App Storeから無料で入手でき、開発者の立場は永久に無料で試すか一度きりでProへ上げるかであり、サブスクリプションはないというものです。サードパーティの収録はProへのアップグレードを一度きりの9.99米ドルと伝えています。この数字はトップページに印字されていないので、App Storeで現在の価格を確認してください。クラウドAPIを有効にする場合、その利用料はOpenAIまたはDeepgramが別途請求し、含まれません。
macOS 26.0以降を動かしているMacに限ります。App Storeの記録にある最低OSバージョンがそれです。Windows、Linux、iOS、Android、ウェブ版はなく、APIもありません。この要件は性能上は十分な機械もかなり除外するので、まずmacOSのバージョンを確かめてください。
開発者は精度のパーセンテージを公表しておらず、これは数字をでっち上げるより誠実な態度です。精度は選んだモデル、音声の品質、言語に左右されます。Whisper large-v3への独立したベンチマークは、スタジオ級の朗読音声で単語誤り率およそ2.7%、現実的な録音では8〜12%程度を報告しています。研究者はこの系統が発せられたことのない流暢な文を作りうるとも記録しているので、引用や保管に用いる箇所は音声と突き合わせて確認してください。
できますが、特定のエンジンに限られます。話者分離はDeepgram、GPT-4o Transcribe、Parakeet v3を通じて提供されます。話者ラベルが必要で、なおかつ完全オフラインを保ちたいならParakeet v3を使う必要があります。残る二つはクラウドサービスだからです。1.7版では不自然な短いセグメントを生む不具合も修正されました。
書き出しはTXT、SRT、VTT、Markdown、CSV、PDFに対応し、動画字幕、ノート、表計算、配布用文書までまかなえます。書き出す前にアプリ内で書き起こしを編集し、即座に検索でき、クリック可能なタイムスタンプで該当音声へ飛べます。疑わしい箇所を検証するのに最も実用的な方法です。
動きます。そしてこれは珍しい点です。どちらも端末内のLlama 3.2で処理され、App Storeのページは翻訳言語の一覧にインターネット不要と明記しています。競合アプリの多くは要約のために書き起こしをクラウドのモデルへ送りますが、それではローカル文字起こしのプライバシー上の利点が静かに損なわれます。代わりに、端末で動く小型モデルはニュアンスや専門用語で最前線のクラウドモデルに及びません。
