WhisperX ガイド

WhisperX と Whisper：文字・時刻・話者の違い

WhisperX が加える単語のアライメントと話者のグループ化、出力の限界を解説します。

WhisperX チーム・2026年10月15日確認

何を話したか

Whisper は音声認識モデルの系統で、音声からテキストを生成します。後続のアライメントは、誤認識された人名を自動修正するものではありません。

WhisperX は言語に応じたアライメントで単語の位置を推定します。信頼できるタイムスタンプが付かない単語もあり、文字を直してもタイムスタンプは再計算されません。

話者分離を有効にすると、声ごとに発言がまとめられます。ラベルは個人の身元を示しません。似た声や同時発話には確認が必要です。

下書きだけなら音声認識だけで十分な場合もあります。録音内の移動やインタビューの整理にはアライメントやラベルが役立ちます。テキスト、タイムスタンプの欠落、話者の割り当てを確認し、字幕を対応する録音で試しましょう。

速度や誤り率は、テストの機材・データ・設定に依存し、自分の録音への保証ではありません。同じファイルで比較し、モデルとパラメーターを記録してください。