すべてのクラウド文字起こしツールはインターネットを必要とし、オーディオをアップロードします。機密性の高いオーディオ（法的、医療、R&D、ジャーナリズムの情報源）の場合、それは許容できません。StarWhisperはWindowsマシン上でWhisperをローカルに実行します。オーディオがデバイスから外に出ることはありません。
インターネット環境で一度インストールすれば、その後はずっとオフラインで作業できます。
StarWhisperのホームページから無料のインストーラーをダウンロードして実行します。セットアップには約2分かかり、Whisperモデルファイル（選択したモデルのサイズに応じて数百メガバイトから数ギガバイト）の一度限りのダウンロードが含まれます。インターネット接続が必要なのはこの時だけです。
機内モードをオンにする、イーサネットケーブルを抜く、WiFiアダプタを無効にする、または電波の届かない環境に移動します。StarWhisperの動作に接続は必要ありません。確固たる証明が必要な場合は、Wiresharkまたは任意のネットワークモニターを実行してください。文字起こし中にStarWhisperプロセスから発信されるパケットはゼロです。
StarWhisperを開きます。任意のオーディオファイル（MP3、WAV、M4A、OGG、OPUS、FLAC、WMA、AAC、およびMP4、MOV、AVI、MKVの動画から抽出した音声）をウィンドウにドラッグします。ハードドライブ上のWhisperモデルがオーディオをデコードして文字起こしします。対応している96言語から自動検出されます。
StarWhisperはCPUまたはGPU上でオーディオをローカルに処理します。速度：最新のノートパソコンのCPUで約10倍速、CUDAを有効にしたNVIDIA GPUで50倍速。1時間のオーディオファイルは、CPUで約6〜12分、ミドルレンジのGPUで1〜2分で文字起こしされます。
処理が完了すると、StarWhisperのウィンドウに文字起こし結果が表示されます。クリップボードにコピー、.txtとして保存、またはオプションでタイムスタンプを付けてエクスポートします。ファイルはローカルのハードドライブに書き込まれます。クラウド同期、アップロード、テレメトリはありません。テキストはあなただけのものです。
クラウド文字起こしが失敗する、または禁止されている実際の状況。
長距離のフライト、列車の移動、トンネル内の車での移動。信号が途絶えるとクラウドツールは機能しなくなります。ローカル文字起こしは、完全に切断されたノートパソコンで機能し続けます。
カンファレンスでの出張、ビジネス旅行、インターネットが壊れているか制限されているホテルの客室。以前に録音したオーディオファイルは、ネットワークを必要とせずにローカルで文字起こしされます。
録音スタジオ、医療用イメージングルーム、意図的に電波をブロックしている病院、およびクラウドへのアップロードがサーバーに到達できないその他の同様の環境。
機密区分情報施設（SCIF）ではネットワーク接続が禁止されています。StarWhisperのローカルアーキテクチャはエアギャップ要件と互換性があります。デプロイメントは施設の承認に依存します。
法的な宣誓供述書、ジャーナリストの情報源へのインタビュー、R&Dのオーディオ、セラピーセッションの録音。クラウドへのアップロードは機密性を侵害します。プライバシーの懸念についての説明。
クラウドツールは分単位または月単位で課金されます。ローカルインストールは、1日の単語上限までは無料、または無制限で使用する場合は定額の月額10ドルです。料金モデル。
検索エンジンで「オーディオの文字起こし方法」と入力する多くの人は、Otter、Rev、Trint、Happy Scribe、Sonix、Descript、またはその他の類似サービスのいずれかにたどり着きます。これらはすべて同じように機能します。オーディオファイルをサーバーにアップロードし、バックエンド（多くの場合、独自のマシンでローカルに実行されるのと同じOpenAI Whisperモデル）がファイルを処理し、文字起こし結果が返ってきます。機密性のないオーディオと良好なインターネット環境を持つカジュアルなユーザーにとっては、これで問題ありません。
しかし、実際の文字起こしのニーズの大部分にとっては、これは適していません。
弁護士は、倫理規則と依頼者・弁護士間の秘密保持特権自体に違反することなく、特権的なクライアントの会話をサードパーティのサーバーにアップロードすることはできません。医師やセラピストは、米国のHIPAAまたは他地域の同等の規制に違反することなく、患者のオーディオをアップロードすることはできません。機密情報源を扱うジャーナリストは、情報源を危険にさらすことなく情報源の録音をアップロードすることはできません。企業のR&Dチームは、リリース前の製品オーディオをアップロードして企業秘密を暴露することはできません。政府や防衛関連の作業では、当然ながら機密情報をアップロードすることはできません。規制されていない個人的な録音であっても、自分のボイスメモを他人のサーバーに永遠に置いておきたいと思わない人はたくさんいます。
StarWhisperは、このカテゴリーのユーザーのために作られています。それを強化するWhisperモデルは、Windowsマシン上で完全に実行されます。一度限りのインストール（インターネットを必要とする唯一のステップ）の後、アプリは通信を行う必要がありません。機内モード、地下室、飛行機の中、WiFiが壊れているホテル、SCIF、または完全にエアギャップされたワークステーションで文字起こしができます。オーディオがデバイスから外に出ることはありません。
「プライバシー」はマーケティングのコピーで簡単に主張できます。利害がかかっている場合は、ご自身で確認する価値があります。
StarWhisperをインストールし、モデルのダウンロードを完了してから、機内モードをオンにします（またはイーサネットケーブルを抜いてWiFiを無効にします。ハードウェアのWiFiスイッチがあればさらに良いです）。StarWhisperを開いてファイルを文字起こしします。機能します。この単一のテストは、文字起こしパイプラインのすべてがローカルで行われていることを確認します。なぜなら、文字起こしに使用できるネットワークが文字通り存在しないからです。
ネットワークが利用可能な場合にStarWhisperが何もアップロードしていないという絶対的な確認が必要な場合は、Wireshark（無料、オープンソース）または同等のパケットキャプチャツールをインストールしてください。StarWhisperプロセスでフィルタリングします。文字起こしを実行します。文字起こし自体の間、StarWhisperプロセスからの送信パケットがゼロであることを確認します。OSからのテレメトリ（Windows自体はデフォルトでバックグラウンドテレメトリを送信します）はキャプチャに表示されますが、StarWhisperが行っていることとは別のものです。
より強力な保証が必要なSCIFまたはエアギャップ環境への導入では、接続されたマシンにStarWhisperをインストールし、モデルのダウンロードを完了してから、インストールされたフォルダ全体（Program Filesおよびキャッシュされたモデルディレクトリ）を承認されたリムーバブルメディアの手順を使用してUSBメモリにコピーし、エアギャップターゲットマシンに転送してそこで実行します。すべてのモデルの重みとコードの依存関係がディスク上にあるため、アプリはネットワークなしで機能します。これは、ワークステーションからのアウトバウンドインターネットを許可しないエンタープライズネットワーク内の多くのエンドポイントにStarWhisperをデプロイしたいというまれなケースにも役立ちます。
弁護士が内部利用のために宣誓供述書や証人尋問を録音します。録音には特権的な会話と機密性の高いクライアントの事項が含まれています。RevやOtterのようなクラウドサービスにアップロードすると、依頼者・弁護士間の秘密保持特権に違反します（または少なくともビジネスアソシエイト契約と倫理的レビューが必要です）。ノートパソコンのStarWhisperにファイルをドラッグして、ローカルで文字起こし結果を取得します。アップロードはありません。これは、録音された和解交渉、専門家の証人準備の通話、および法律事務所の守秘義務に該当するその他のオーディオにも当てはまります。法的なワークフローの詳細については、弁護士向けの音声からテキストへを参照してください。
臨床医がメモを取る目的で（患者の同意を得て）患者の診察を録音します。オーディオには保護対象保健情報（PHI）が含まれています。HIPAAは、臨床医自身の機器でのPHIの処理を許可していますが、明示的なBAA契約なしにサードパーティのクラウドサービスにアップロードすることを一般的に制限しています。臨床医のWindowsワークステーションでのローカルなWhisper文字起こしは、オーディオをHIPAAに適した管理下に置きます。詳細についてはHIPAAコンプライアンスFAQを、メンタルヘルスのコンテキストについてはセラピスト向けの音声からテキストへを参照してください。
調査報道記者が情報源へのインタビューを録音します。情報源は、録音が文字起こしベンダーを含む他の誰とも共有されないことを条件に話すことに同意しました。ファイルをOtter、Rev、または任意のクラウドサービスにアップロードすると、技術的にベンダーのインフラと共有することになります。ローカル文字起こしはその約束を守ります。記者固有のワークフローについては、ジャーナリスト向けの音声からテキストへを参照してください。
フィールドリサーチャー、カンファレンスの参加者、出張する専門家は、定期的に文字起こしするオーディオを持っていますが、信頼できるインターネットがありません。ホテルのWiFiが切れる。カンファレンスのネットワークが大きなアップロードを制限する。デッドゾーンを通る列車での移動。クラウドツールのワークフローは停滞しますが、ローカルのワークフローはそうではありません。ファイルをドロップして、文字起こし結果を取得し、次に進みます。関連するディクテーションのシナリオについては、Windows向けのオフライン音声ディクテーションFAQを参照してください。
数年前まではクラウド文字起こしが唯一の選択肢だったため、これがどのようにして可能になっているのかについての簡単な説明です。
OpenAIは2022年にMITライセンスの下でWhisperモデルをオープンソースとしてリリースしました。Whisperは、約680,000時間の多言語オーディオでトレーニングされた単一のニューラルネットワークです。最大のバージョンは約15億のパラメータを持ち、数ギガバイトのRAMで実行されます。より小さなバージョンは数百メガバイトであり、一般的なノートパソコンのCPUでリアルタイムまたはそれ以上の速度で実行されます。これは、最新のほとんどのクラウド文字起こしサービスを強化しているのと同じモデルが、コンシューマーのハードウェアでローカルに実行できることを意味します。
StarWhisperは、Whisperモデルに、オーディオデコードパイプライン、ユーザーインターフェース、およびファイルをドラッグインできるようにするWindows固有の接続コードをバンドルしています。インストール後、パイプライン全体がハードドライブに配置されます。モデルの重み、コーデックライブラリ、解析コード、出力フォーマットです。実行時にこれらのいずれもネットワークアクセスを必要としません。文字起こし結果はCPUまたはGPUで計算され、ローカルファイルに書き込まれます。より深いアーキテクチャの説明については、プライバシーとオフラインアーキテクチャを参照してください。
クラウドサービスと比較した際のトレードオフはハードウェアです。クラウド文字起こしは、ベンダーが提供したいどんな高性能なサーバー上でも実行されます。ローカル文字起こしはノートパソコン上で実行されるため、専用のGPUサーバーよりも遅くなります。実際には、速度の違いは予想よりも重要ではありません。一般的な最新のノートパソコンのCPUは、リアルタイムの約10倍の速度でオーディオを文字起こしします。つまり、1時間のファイルの処理には6〜12分かかります。CUDAを搭載したNVIDIA GPUは、それを1〜2分に短縮します。ほとんどの非リアルタイムのワークフロー（ライブキャプションではなく、既存のオーディオファイルの文字起こし）において、ローカルの速度は十分以上です。
StarWhisperの無料版は、1日500語、週3,500語の文字起こし出力を提供します。無料版はPro版と全く同じようにオフラインで機能します。無料版の壁の背後にロックされたオンライン専用の機能はありません。唯一の違いは1日の単語上限です。
一般的な occasional use（短い録音された会議、個人的なボイスメモ、単一のポッドキャストのクリップ）の場合、1日500語で十分です。5分間のボイスメモは約700語であり、ディクテーションされたテキストの典型的な単一段落は上限に余裕で収まります。大量の専門的な使用（完全な法的宣誓供述書、数時間にわたる医療セッションの文字起こし、毎日のジャーナリズムの作業）の場合、Proプランは月額10ドルまたは年額80ドルで上限を解除します。Proプランの詳細。長いファイルでワークフローを確認したい場合は、Proの7日間の無料トライアルをご利用いただけます。
無料版は、クレジットカード、サインアップの壁、トライアルタイマーが有料版に変換される罠なしで、本当に無料です。これは有料アプリのティーザーバージョンではなく、単語上限が設定された同じアプリです。両方の階層で商用利用が許可されています。サブスクリプションなしのアプローチの詳細については、サブスクリプションなしの料金モデルを参照してください。
オフラインの観点からここに来た場合は、隣接するトピックを掘り下げるいくつかの関連ガイドがあります。ローカルのWhisper文字起こしがクラウドのWhisperとどのように比較されるかという具体的な質問については、Whisperのローカルとクラウドの比較を参照してください。文字起こしにおけるプライバシーの懸念というより広範なカテゴリーについては、文字起こしのプライバシーの懸念を参照してください。形式固有のオフラインワークフローについては、MP3をテキストに変換する方法、M4Aをテキストに変換する方法、およびWAVをテキストに変換する方法を参照してください。これらはすべて上記で説明したのと同じローカル専用パイプラインを使用します。リアルタイムのオフラインディクテーション（既存のファイルの文字起こしではなく）については、Windows向けのオフライン音声ディクテーションFAQを参照してください。