Subtitle Edit Whisperの使い方と設定ガイド

Subtitle EditのWhisper対応は、1つのウィンドウにまとまっています。「動画 → 音声からテキストへ...」(English: Video → Speech to text...)で、古いバージョンではAudio to textと呼ばれていました。動画を開き、エンジンとモデルを選び、言語を決めて、「文字起こし」(English: Transcribe)をクリックします。必要なものは初回使用時にSubtitle Editがダウンロードします。本当に決めるべきなのは、自分のハードウェアに合うエンジンはどれかという点です。

この記事では、その選び方をNVIDIAカード搭載のWindows、非搭載のWindows、Macの3つで解説し、あわせてturboモデルの翻訳に関する注意点、一括処理、品質レポート、何も出力されないときの確認項目も扱います。Subtitle Editに関する事実は、GitHubリポジトリと公式ドキュメントに基づき、2026年10月31日に確認したものです。

Subtitle EditでWhisperを使うには?

音声からテキストへのドキュメントにある7つの手順です。Subtitle Editは無料のオープンソースで、MITライセンスです。現在の安定版は2026年10月14日リリースの5.3.0です。

1. Subtitle Editで動画ファイルを開きます。
2. 「動画 → 音声からテキストへ...」を選びます。
3. 「エンジン」(English: Engine)を選びます。横のボタンで、エンジンのWebサイトを開く、ダウンロードする、設定を開くことができます。Whisper CPPとCrisp ASRには「処理エンジン」(English: Backend)のドロップダウンも表示されます。
4. 「モデル」(English: Model)を選びます。大きいほど一般に精度が高く、遅く、ディスク容量も増えます。
5. 音声の言語を選びます。エンジンが対応していれば、自動検出も選べます。
6. 必要に応じて「英語に翻訳」(English: Translate to English)と「後処理」(English: Post-processing)にチェックを入れます。
7. 「文字起こし」をクリックします。

エンジンとモデルは初回使用時に自動でダウンロードされるため、最初の実行には待ち時間が含まれます。結果はメインリストに表示される通常の字幕で、ほかのファイルと同じように編集できます。

「subtitle edit audio to text」で検索する人は今もいます。これは同じウィンドウの旧名称で、Subtitle Edit 5系の変更履歴の1行にも今も使われています。

Subtitle Editで選ぶべきWhisperエンジンは?

エンジンの選択はグラフィックカード次第です。リストの大半のエンジンは同じWhisperモデルを動かし、パッケージが違うだけだからです。ドキュメント自身のアドバイスはこうです。「NVIDIA GPUをお使いの場合は、最速の文字起こしのためにWhisper CPPのcuBLASバックエンドまたはPurfview Faster Whisper XXLを使ってください。」

Purfview Faster Whisper XXLとWhisper Const-meはmacOSでは使えません。元のPython実装であるWhisper OpenAIは、すべてのプラットフォームが対象として記載されています。各エンジンの対応プラットフォームは、ドキュメントのエンジン表で常に最新の状態に保たれています。

同じリストには、ほかのエンジンもあります。Crisp ASRはParakeet、Canary、SenseVoiceなど、Whisper以外の複数のモデルをまとめたもので、話者を検出して行に(speaker 0)と付けられます。オンラインのエンジン4つ(OpenAI Compatible Server、OpenRouter、Alibaba Qwen3-ASR、Google Cloud Speech-to-Text)は音声をサーバーに送るため、機密性の高い映像では注意が必要です。残りはマシン上で動作します。

Subtitle EditのWhisperモデル:どれが適切か?

ハードウェアが許容できる時間で終わる、最も大きなモデルを選んでください。リストは、最速で精度が最も低いtinyから、base、small、mediumを経て、最も精度が高く最も遅いlarge、large-v2、large-v3まで続きます。

ドキュメントから、いくつか具体的な点を挙げます。

• .enモデルは英語専用で、英語の音声に向いています。すべて英語のときに使ってください。
• large-v3-turboは日本語に強いと記載されています。ハードウェアが動かせるなら、ほとんどの言語で無難な既定の選択です。
• 言語別のファインチューンもあります。.sv、.nb、そしてアニメやビジュアルノベルの日本語向けのanime-whisperモデルであるanime.jaです。

ディスク容量と実行時間は一緒に増えます。経験則ではなく数字がほしい場合は、Whisperモデルの比較に、各モデルの実際のダウンロードサイズと、テストクリップで各モデルが拾えた内容を載せています。クリップ1本であってベンチマークではありませんが、1段階上げるごとに何が必要になるかは分かります。

Subtitle EditのWhisperのGPUとCUDA:本当に効くこと

Windowsでは、GPUはまずNVIDIAを意味します。実用的なポイントは3つです。

1. エンジンだけでなく、バックエンドを選ぶ。 Whisper CPPでは、処理エンジンのドロップダウンで、処理をcuBLAS(NVIDIA CUDA)、Vulkan、CPUのどれで実行するかが決まります。高性能なGPUがあるマシンでは、CPUのままになっていないか確認してください。
2. CUDAのバージョンを合わせる。 Whisper CTranslate2にはCUDA 12.xが必要です。このエンジンでCUDAのトラブルが出たら、代わりにWhisper CPPのcuBLASかPurfviewを使います。
3. メモリ不足なら、モデルを1つ下げる。 「CUDA out of memory」に対するドキュメントの答えは、小さいモデルです。

エンジンの詳細オプションには、ほかに2つの設定があります。エンジンごとのコマンドライン引数と、タイミングを改善するVADです。

「英語に翻訳」が元の言語で返ってくる:turboの落とし穴

「英語に翻訳」は、英語以外の音声を、同じ処理の中で英語のテキストに変換します。ただしturboモデルを選ぶと、テキストが元の言語のまま返ってくることがあります。

理由はOpenAIのWhisperのREADMEにあります。turboモデルは「翻訳タスク向けに学習されていない」ため、翻訳を指定しても元の言語を返します。READMEはmediumまたはlargeを使うよう勧めています。そのため、large-v3-turboを選んだままチェックを入れても英語にならない場合は、モデルをmediumかlargeに変えて再実行してください。

この方法で作れるのは英語だけです。ほかの翻訳先の言語にするには、先に文字起こしをして、「翻訳 → 自動翻訳」(English: Translate → Auto-translate...)を使います。エンジンには、Google Translate V1(無料)、DeepLとChatGPT(どちらも自分のAPIキーが必要)、LibreTranslate、MyMemory、そしてOllama、LM Studio、llama.cpp経由のローカルモデルがあります。そのあとに何を確認すべきかは、タイミングを崩さずにSRTを翻訳する方法で解説しています。

Subtitle Editで複数の動画を一度に文字起こしするには?

「一括処理モード」(English: Batch mode)を使います。動画ファイルを追加し、エンジン、モデル、言語を選んで、「文字起こし」をクリックします。Subtitle Editは各動画の隣に.srtファイルを書き出します。video.srtではなくvideo.en.srtにしたいときは「ファイル名に言語コードを追加」(English: Add language code to file name)にチェックを入れてください。複数の言語が1つのフォルダーに入るようになったら、これが必要になります。

静かなインタビューと騒がしい街頭の録音のように、ファイルごとの差が大きい場合は、難しいものを別のバッチにして、大きいモデルで実行してください。

後処理と文字起こしの品質レポート

Whisperの出力は正確ですが整っておらず、「後処理」オプションが文字起こしの一環としてそれを整えます。ドキュメントには、できることが次のように挙げられています。

• 波形のピークを使ってタイミングを調整する
• 短すぎる表示時間を修正する
• 大文字小文字を修正し、句点を追加する
• 短い行を結合し、長い行を分割する
• 「[Music]」のような非音声の行を削除する
• 重複した行を削除する

「文字起こしの品質レポート」はデフォルトでオンで、Whisperのクセを見つけるうえで、このウィンドウの中で最も役に立つ部分です。指摘する問題は5つ、短すぎる、長すぎる、重なり、非音声、重複です。「長すぎる」には、ドキュメントが典型的なハルシネーションと呼ぶもの、つまり2、3語が10〜30秒に引き伸ばされたものが含まれます。「重複」は、エンジンがループにはまっていることを意味します。

指摘されたキューは、ただ削除するのではなく、聞いて確かめる場所として扱ってください。その背後にあるパターンと、それを防ぐ設定は、Whisperが同じ行を繰り返し、存在しない文章を作る理由で解説しています。

Subtitle EditのWhisperが動かない:テキストなし、エラー、CUDA

まずは単純な原因から確認します。ドキュメントのFAQとヒントに基づく、次のリストを上から順に確認してください。

1. エンジンとモデルはダウンロードされていますか? Subtitle Editはどちらも促してきます。一度も使ったことのないエンジンは、開始前にエンジンとモデルをダウンロードさせてください。
2. コンソールログを読む。 音声からテキストへウィンドウの下部にあります。ウィンドウを右クリックして「Whisperログファイルを表示」(English: View tools log file)を選ぶと、完全な記録が見られます。ダウンロード型のエンジンには、同じメニューに再ダウンロードの項目があります。
3. エンジンのファイルがなくなった? 多くの場合、ウイルス対策ソフトが実行ファイルを隔離したのが原因です。Subtitle Editは文字起こしの開始時にそれを確認し、足りないファイル名を示して、再ダウンロードを案内します。
4. CUDAのメモリ不足? 小さいモデルを選んでください。
5. VADをオンにしたCrisp ASRが何も返さない? Sileroが短いクリップを非音声として弾くことがあります。Subtitle Editは、空の結果を報告する前に、VADなしで1回だけ再試行します。

文字起こしは終わったものの、テキストが欠けているのではなく間違っている場合は、まず言語設定を確認し、それから大きいモデルを試してください。

SablateがSubtitle Editより向いているのはどんなときか?

洗練させる字幕ファイルではなく、そのまま投稿できるキャプションが目的で、エンジンやバックエンドの選択自体を避けたいときです。

SablateはWindows 10以降とmacOS 12以降に対応したデスクトップアプリです。faster-whisperを4つのティアで実行します。Fast(tiny)、Balanced(small)、Accurate(large-v3-turbo)、Best(large-v3)です。NVIDIA GPUを搭載したWindowsでは、初回のGPU使用時にCUDAランタイムがダウンロードされ、Macでは文字起こしをCPUで行います。選ぶべきエンジンやバックエンドはありません。

Sablateが加えるのは、作業の後半です。1回の文字起こしから複数の翻訳レイヤーが作られ、それぞれが独自のスタイルと言語に合ったフォントを持ちます。HormoziやKaraokeを含む13のキャプションプリセットと、単語単位のカラオケスイープで見た目を整え、焼き込みでは9:16、1:1、16:9にクロップまたはぼかしのパディングで対応します。こうした作業の流れは、単語ごとに表示するキャプションと多言語字幕で詳しく紹介しています。

無料プランはアカウント不要で、10分までの動画、月3ジョブ、FastとBalancedのモデル、オフライン翻訳レイヤー1つに対応します。焼き込み動画には隅に小さなマークが入ります。Proは$29の買い切りまたは月$5.99で、そのほかは料金ページに記載しています。同じ方式のほかのアプリは、オフラインの字幕生成ツールで比較しています。

Subtitle EditとSablateの比較

価格、プラットフォーム、エンジンの選択肢、話者ラベル、フォーマットの網羅性では、Subtitle Editが勝ります。字幕編集を仕事にしている人や、処理全体を完全に制御したい人は、そのまま使い続けてください。Sablateは、エンジンの表を読みたくない人が、複数言語のスタイル付きキャプションに最短で到達するためのルートです。

どのルートを選ぶべきか?

「NVIDIAのカードがあり、字幕編集をよく行う。」 Subtitle Editに残り、Whisper CPPのcuBLASかPurfview Faster Whisper XXL、large-v3-turboモデル、品質レポートをオンにして使います。

「NVIDIA GPUのないノートパソコンを使っている。」 Whisper CPPのVulkanバックエンドに、smallかmediumモデル、そして長いファイルには忍耐を。

「Macを使っている。」 まずWhisper CPPです。単語単位のタイミングが必要なら、Apple SiliconでWhisperXを試してください。

「音声が英語ではなく、英語字幕がほしい。」 「英語に翻訳」には、turboではなくmediumかlargeを使います。

「複数の話者がいるインタビュー。」 話者検出のあるCrisp ASR。Sablateにはこの機能がありません。

「今夜中に、3言語で単語ハイライト付きの縦型キャプションがほしい。」 SablateをWindowsまたはMac向けにダウンロードしてください。

よくある質問

Subtitle EditでWhisperを使うにはどうすればいいですか?

動画を開き、動画メニューの「音声からテキストへ」を選び、エンジンとモデルを選んで話されている言語を設定し、「文字起こし」をクリックします。エンジンとモデルは初回使用時に自動でダウンロードされます。完了すると、行がメインの字幕リストに表示され、ほかの字幕と同じように編集できます。

Subtitle Editで最速のWhisperエンジンはどれですか?

NVIDIA GPUなら、公式ドキュメントが勧めるWhisper CPPのcuBLASバックエンド、またはPurfview Faster Whisper XXLです。NVIDIAがない場合は、WindowsならWhisper CPPのVulkanバックエンドで別のGPUを使えます。Macではどこでも動くのがWhisper CPPで、WhisperXとCTranslate2はApple Siliconが必要です。

Subtitle Editではどのモデルを選べばいいですか?

パソコンが動かせるならlarge-v3-turbo、動かせなければsmallかmediumを選び、英語のみの音声には.enモデルを使います。大きいモデルほど精度が高い反面、遅くてディスク容量も必要です。tinyは最速で精度は最低なので、簡単な下書き用にします。「英語に翻訳」を使うときはturboを避けてください。

Subtitle Editで「英語に翻訳」が元の言語のまま返ってくるのはなぜですか?

turboモデルは翻訳向けに学習されていないからです。OpenAIのWhisperのドキュメントによると、turboモデルは翻訳を指定しても元の言語のまま返すため、mediumかlargeが勧められています。音声からテキストへのウィンドウでモデルをmediumかlargeに切り替えて再実行すれば、英訳が表示されるはずです。

Subtitle EditのWhisperでテキストが出ない、またはエラーになるのはなぜですか?

多くはエンジンやモデルが未ダウンロード、ウイルス対策ソフトによるファイルの削除、GPUメモリ不足のどれかです。両方がダウンロード済みか確認し、ウィンドウ下部のコンソールログを読み、CUDAのメモリ不足なら小さいモデルを選んでください。エンジンのファイルがない場合は、Subtitle Editがそのファイル名を示して再ダウンロードを案内します。

Subtitle Editで複数の動画をまとめて文字起こしできますか?

できます。一括処理モードで複数の動画ファイルを追加して「文字起こし」をクリックすると、各動画の隣にSRTファイルが保存されます。ファイル名に言語コードを追加するオプションを使えば、video.en.srtのような名前になります。1つだけ極端に難しい録音がある場合は、大きいモデルで別のバッチとして実行してください。