Whisperとは

Whisperは、録音や動画音声から発話内容を文字起こしするための音声認識モデルです。

ローカル実行ではfaster-whisperなどの実装を使い、モデルサイズ、言語、CPU/GPUの使い方を設定できるようにしておくと扱いやすくなります。