whisper.cpp: READMEと実装範囲を読む
whisper.cpp は OpenAI の Whisper 音声認識モデルを依存なしの C/C++ に移植したもの。Apple Silicon に最適化され、多くのプラットフォームで CPU のみの推論が可能。
ひと目でわかる
- これは何？
- このリポジトリは OpenAI の Whisper 音声認識モデルを C/C++ ライブラリとしてまとめ、複数のハードウェアバックエンドとサンプルツールを備えています。
- 誰に向いている？
- README は whisper.cpp を推論専用プロジェクトと位置づけており、トレーニングやファインチューニングには触れていません。MIT ライセンスはソフトウェアを現状のまま提供し、いかなる保証も行わないと明記しています。
- 商用利用できる？
- できます。MIT は寛容なライセンスで、著作権表示とライセンス表示を残せば、使用・改変・販売が可能です。
- 今もメンテナンスされている？
- されています。直近 1 日以内に新しいコミットがあります。
- 何の言語で書かれている？
- 主に C++ です（GitHub の言語統計による）。
回答はプロジェクトの GitHub データ（最終同期：2026年9月15日）と当サイトの分析に基づくもので、法的助言ではありません。
オープンソース詳細解説
whisper.cpp OpenAI Whisper の C/C++ 移植版
whisper.cpp は OpenAI の自動音声認識モデル Whisper を C/C++ で移植したものです。README は依存関係のない純粋な C/C++ 実装と説明し、実行時のメモリ割り当てがゼロであることも特徴として挙げています。モデルの高水準実装は whisper.h と whisper.cpp にあり、残りのコードは ggml 機械学習ライブラリに属します。README は v1.9.2 を安定版とし、このプロジェクトは推論のみを対象としており、トレーニングやファインチューニングの経路は含まれないと述べています。
whisper.cpp CLI のビルドと実行
README のクイックスタートは、リポジトリをクローンし、sh ./models/download-ggml-model.sh base.en で変換済みモデルをダウンロードし、cmake -B build と cmake --build build -j --config Release で whisper-cli サンプルをビルドし、./build/bin/whisper-cli -f samples/jfk.wav でサンプル音声を書き起こす手順です。README は whisper-cli が現在 16 ビット WAV ファイルのみを受け付けると警告し、ffmpeg で 16 kHz モノラル pcm_s16le に変換するコマンドを示しています。また、make base.en というターゲットは base.en モデルをダウンロードし、samples フォルダ内のすべての .wav ファイルで推論を実行します。
whisper.cpp モデルファイルとメモリ使用量
Whisper モデルは ggml 形式という独自のバイナリ形式に変換され、モデルパラメータ、メルフィルタ、語彙、重みが単一のファイルにまとめられます。ダウンロードスクリプト models/download-ggml-model.sh はこれらのファイルを取得し、変換スクリプト models/convert-pt-to-ggml.py が変換経路を示しています。README には tiny、base、small、medium、large 各モデルのメモリ使用量表があります。たとえば tiny はディスク 75 MiB、実行時約 273 MB、large はディスク 2.9 GiB、実行時約 3.9 GB です。これらの数値は記載されたモデルに対するもので、量子化版は含まれていません。
whisper.cpp ハードウェアバックエンドとビルドオプション
README は macOS（Intel と Arm）、iOS、Android、Java、Linux、FreeBSD、WebAssembly、Windows（MSVC と MinGW）、Raspberry Pi、Docker への対応を列挙しています。Apple Silicon では Metal を使って推論を GPU で実行でき、エンコーダは Core ML を通じて Apple Neural Engine も利用できます。x86 は AVX 命令、POWER は VSX 命令に対応します。NVIDIA は cuBLAS とカスタム CUDA カーネル、AMD は HIP/ROCm、Vulkan、Intel は OpenVINO、Ascend NPU は CANN、Moore Threads GPU は MUSA によるバックエンドが記録されています。CPU のみのビルドも可能で、OpenBLAS によるエンコーダ処理の高速化もできます。各バックエンドには GGML_CUDA、GGML_VULKAN、GGML_HIP、GGML_OPENVINO、GGML_CANN、GGML_MUSA といった cmake フラグがあります。
whisper.cpp 量子化と数値形式
実装は F16/F32 の混合精度を使い、ggml モデルの整数量子化にも対応しています。README によると、量子化モデルはメモリとディスク容量を抑えられ、ハードウェアによっては処理がより効率的になります。quantize ツールはプロジェクトと一緒にビルドされ、q5_0 などの方法でモデルを変換できます。例として ./build/bin/quantize models/ggml-base.en.bin models/ggml-base.en-q5_0.bin q5_0 が示されています。変換後のファイルは -m オプションで whisper-cli に渡します。README は量子化モデルのベンチマーク数値を示しておらず、利用可能な量子化方法も q5_0 の例以外には列挙していません。
whisper.cpp サンプルツールと実験的な出力オプション
examples フォルダには複数のツールがあります。whisper-cli は主要な書き起こし・翻訳ツール、whisper-bench はエンコーダの実行時間を測定し、whisper-stream はマイクからのリアルタイム書き起こしを行い、whisper-command は基本的な音声アシスタント、whisper-server は OpenAI 風 API の HTTP 書き起こしサーバ、whisper-talk-llama は音声入力を LLaMA ボットに接続します。一部のサンプルには WebAssembly 版があります。README は実験的な出力オプションも説明しています: --print-colors による信頼度の色分け、-ml による行長の制限、-ml 1 による単語単位のタイムスタンプ、-owts によるカラオケ風動画の生成、-tdrz による tinydiarize を使った話者分割です。音声活動検出は --vad フラグで有効になり、Silero-VAD などの別途 VAD モデルが必要です。
whisper.cpp バインディング、パッケージ、ライセンス
README には Rust、JavaScript、Go、Java、Ruby、Objective-C/Swift、.NET、Python、R、Unity 向けのバインディングが外部リポジトリへのリンク付きで列挙されています。また、Apple プラットフォーム向けのプリコンパイル済み XCFramework と、CUDA、MUSA、Vulkan の各バリアントを含む Docker イメージも提供されています。Conan パッケージは conan install --requires="whisper-cpp/[]" --build=missing でインストールできます。リポジトリは MIT ライセンスで、使用、複製、変更、結合、公開、配布、再許諾、販売を許可しています。ライセンスはソフトウェアを現状のまま提供し、いかなる保証もないと明記しています。README はサポート体制を説明しておらず、唯一の制限事項として推論のみであると述べています。
導入時は入力音声をffmpegで16kHz、モノラル、16ビットWAVへ変換し、選んだモデルのファイル容量と実行時メモリを分けて見積もります。CPUのみ、Metal、CUDAなどのビルド条件を固定して同じ音声を処理し、書き起こし結果、タイムスタンプ、VADの有無を比較すると、量子化の効果を機種依存の印象と混同せずに判断できます。READMEが扱うのは推論なので、学習パイプラインを求める用途には別の構成が必要です。
whisper.cppについては、READMEに書かれた入口と生成物を照合し、未記載の保証を機能として数えない判断が必要です。
編集部の結論
README は whisper.cpp を推論専用プロジェクトと位置づけており、トレーニングやファインチューニングには触れていません。MIT ライセンスはソフトウェアを現状のまま提供し、いかなる保証も行わないと明記しています。
コミュニティノート