日本語の文字起こしAI「Haas-ja」をMacで自分の音声で測り、1か所だけ入れ替えた話

家事と子育てのスキマで経営する3方よしAI共創コンサルタントの田中啓之、ひろくんです。

最新AI情報満載！毎日無料朝LIVE実施中！GPTs研究会では、AIツールの最新活用法を毎朝シェアしています。AI初心者の方も、ぜひAI氣道.jp無料メルマガで朝LIVEブログを毎日チェックしてくださいね。

11月6日に、G2さんのnote「Whisperより約3〜8倍速かった：日本語文字起こしAI「Haas-ja」をMacで実測」を見つけました。私はそのURLをAIに渡して、「これログインして読んでテストして良いなら導入したい。」と頼みました。AIには有料の部分も含めて全文を読ませています。noteの結論をざっくり言うと、「Whisperより速い。公開データのテストでは文字の誤りも少なかった。ただし本物のセミナー音声では、Whisperが勝つ場面もあった」という内容です。

実は、私は文字起こしのAIを、場所ごとに使い分けています。普段の文字起こし、LIVE記事で誰が話したかを分ける時、それから講座動画の声の点検です。新しいAIが話題になると、全部まとめて入れ替えたくなります。でも、記事の数字はその人の素材で測った数字です。私の素材でも同じになるかは、測ってみないと分かりません。

そこでAIに頼んで、11月6日から7日にかけて測ってもらいました。使ったのは私のMac（Apple M5 Max）と、私の本物の音声です。比べたのは速さ、台本と比べた文字の誤り、無音の所で言っていない文が出るか、固有名詞や英字の書き方です。

結論を先に書きますね。入れ替えたのは「講座動画の声の点検」の1か所だけです。普段の文字起こしと、LIVE記事の話者分けは今までのままにしました。待ち時間はめちゃ縮みました。ただ、私のクローン声の素材では、文字の誤りはWhisperの方が少なかったんです。

この記事では、測った数字を全部出します。良かった所も、noteの結論が私の素材では再現しなかった所も載せます。あなたが「話題の新しいAIに入れ替えるべき？」と迷っているなら、同じ確かめ方を手元で真似できるように書きました。

Haas-jaは、日本語の音声認識（音声を文字にする＝文字起こし）のモデルです。Third Intelligenceという会社が、2026年10月30日に公開を発表しました。発表は公式ブログに、モデルの説明はモデルカードにあります。ライセンスはApache 2.0（オープンソースのライセンスの1つ）です。

公式の説明では、速さと正確さの両方を狙ったモデルです。公開されている日本語のデータ5つで作った評価で、比べたオープンなモデルの中で最も正確だったとされています。数字はCER strictで6.12%です。CERは「文字の誤りの割合」のことで、低いほど正確です。

公式版には、うれしい機能が2つあります。1つは「語彙の登録」で、固有名詞の読みと書き方をモデルに教えられます。もう1つは、別のモデルNemotron-3-Diarizationと組み合わせて、話者ラベル（誰が話したかの印）を付ける例です。

ただし、公式版が動く条件はLinuxとNVIDIAのGPUです。Mac（macOS）は公式には対応していません。ここ、見落としやすい所なんですよね。

そこで私のMacでは、個人の方が作った非公式の移植「haas-mlx」を使いました。READMEにははっきり「非公式」「保守は約束しない」と書いてあります。この移植では、語彙の登録はまだ作られていません。話者分離（誰が話したかを分けること）も入っていません。

つまり、Macで使えるのは「公式と同じ中身のモデルを、公式とは別の人が動くようにした物」です。公式の機能が全部そろっているわけではありません。保守の約束が無い物なので、私はこの移植の特定の版（commit cde96d2）に固定して置いています。どの版で測ったかを、後からでもはっきりさせておくためです。

きっかけは冒頭に書いたG2さんのnoteです。「テストして良いなら導入したい」と頼んだ以上、その「テスト」をどこでやるかが大事になります。私の場合、文字起こしを使っている場所は3つあります。

1つ目は普段の文字起こしです。ここはWhisper（mlx-whisperという、Mac上で動く版）を使っています。

2つ目はLIVE記事です。LIVEを記事にする時は、誰が話したかを分ける必要があります。ここはAssemblyAI（有料の文字起こしサービス）に任せています。

3つ目が、講座動画の声の点検です。講座動画を作る時、AIで作った私のクローン声が台本を読みます。その声が台本どおりに読めたかを、別の聞き取りAIに文字起こしさせ、台本と照合しています。ここはfaster-whisperを使っていて、遅かったんです。

比べたのは、この3つと同じ場面です。AIに頼んで、同じ音声を今の道具とHaas-jaの両方に通してもらいました。測ったのは次のような物です。

• かかった時間（声の点検、33分のLIVE、5分の音声）
• クローン声の文字起こしを台本と比べた、文字の誤りの割合
• わざと読み間違えさせた音声を、見つけられるか
• 無音や雑音だけの音声で、言っていない文が出るか
• LIVEの文字起こしが、AssemblyAIの結果とどれだけ違うか
• 使ったメモリの最大量

あ、1つ先に書いておきます。速さの数字には、大きなぶれがあります。測った時のMacは、ほかの作業で混んでいました。同じ音声でも、1回目と2回目で倍近く違う所があります。

まず時間の結果です。単位はすべて秒です。LIVEは同じ設定で2回ずつ、交互に測りました。5分の音声は3回測った中央値です。

一番大きく変わったのは、声の点検です。今まで使っていたfaster-whisperは、10発言で407.8秒かかっていました。1本の講座は63発言あります。これに直すと、faster-whisperでは約43分かかる計算でした。Haas-jaは同じ10発言で12.2秒です。

LIVE 33分でも、2回ともHaas-jaの方が短く終わっています。といっても、ここは数字の読み方に気をつけたい所です。社長モテる化回のHaas-jaは、55.8秒と15.8秒。同じ音声なのに、3倍以上の開きがあります。Macが混んでいたので、1つ1つの数字を「この道具の速さ」と言い切ることはできません。

さらに、5分の音声ではほぼ差が無かったんです。Haas-jaが30.6秒と26.5秒、Whisperが29.0秒と24.7秒でした。わずかですが、Whisperの方が短いくらいです。

この結果から私が受け取ったのは、「速い」は条件つきだということです。今まで使っていたfaster-whisperと比べると、差ははっきりしていました。普段のWhisperと比べると、長いLIVEでは短く終わった回があり、5分の音声では差がほぼ見えませんでした。「何倍速い」という数字は、どの道具と、どの長さの音声で比べたかで変わります。

メモリも見ておきます。使ったメモリの最大は、Haas-jaが1.3〜2.0GB、Whisperが1.8〜2.5GBでした。Haas-jaを置くのにディスクを約1.5GB使います。

次は正確さです。講座動画のクローン声を文字起こしして、台本と比べた文字の誤りの割合を出しました。低いほど良い数字です。

どちらの講座でも、Haas-jaの誤りが一番多い結果でした。『心のつかみ方』では、一番少なかったのは遅いfaster-whisperです。noteでは、公開データの4つのテストすべてで、Haas-jaの方が文字の誤りが少なかったとありました。私の声の素材では、それは再現しなかったことになります。note自身も、本物のセミナー音声ではWhisperが勝つ場面があったと書いています。

ここは数字をそのまま受け止めたい所です。noteの結論が間違っていたという話ではありません。G2さんの素材と、私のクローン声の素材が違う。違う素材で測れば、違う結果が出る。それだけのことです。だからこそ、自分の素材で測る意味があるんだと思います。

もう1つ、見つける力も試しました。わざと読み間違えさせた機械音声を20組作り、間違いを見つけられるかを見たんです。この音声は、Macのsayコマンドで作った人工の声です。私のクローン声ではありません。

• 読み間違いを見つけた数: Haas-ja 3件、Whisper 1件、faster-whisper 3件
• 正しい音声なのに「怪しい」と出た数: Haas-ja 0件、Whisper 2件、faster-whisper 2件

正直に書くと、どの道具も見つける力は低い結果でした。20組のうち、多くても3件です。Haas-jaは、正しい音声を「怪しい」と言った数が0件でした。

LIVEの文字起こしも比べています。AssemblyAIの結果を基準にして、どれだけ文字が違うかを出しました。ただし、AssemblyAIも正解ではありません。あくまで「今使っている物との差」です。

• まっちんぐ回: Haas-ja 12.3%、Whisper 16.6%
• 社長モテる化回: Haas-ja 15.3%、Whisper 22.5%

LIVEでは、Haas-jaの方がAssemblyAIの結果に近い文字になりました。クローン声では誤りが多く、LIVEではAssemblyAIに近い。同じ道具でも、素材によって並び順が入れ替わるわけです。

文字起こしのAIには、困った癖があります。何も言っていない所に、それらしい文を書いてしまう癖です。これも測りました。

無音や雑音だけの試験音声を8本用意して、言っていない文が出た本数を数えました。Whisperは8本全部で、何かしらの文を出しました。Haas-jaは3本で、出たのは「すいません。」「うん。」でした。

LIVE 2本でも、はっきりした違いが出ています。LIVEで言っていない「ご視聴ありがとうございました」という文が、Whisperでは3件と2件出ました。Haas-jaは0件です。記事にする文字起こしで、言っていない締めの言葉が混ざらない。ここはHaas-jaの強みとして数字に出た所です。

一方で、弱点もはっきり出ました。

1つ目は英字です。「Facebook」が「facebook」、「AI共創」が「ai競争」のように、英字が小文字になりました。「競争」という漢字の取り違えはWhisperでも出たので、Haas-jaだけの癖は小文字の方です。

2つ目は名前です。クローン声の名乗りは「三方よしAI共創コンサルタントの田中啓之、ひろくんです」。これをHaas-jaは「田中博幸、ひろ君」と書きました。私の名前の漢字が違い、「ひろくん」も「ひろ君」になっています。公平のために書くと、Whisperも「田中博之」と書いていて、漢字はどちらも外れました。Whisperは「ひろくん」の方は正しく書けていました。

3つ目は話し言葉の「あの」です。Haas-jaは「あの」を残しやすく、数えるとHaas-jaが30回、Whisperが10回でした。読みやすい文にしたい時は、後で整える手間が増えます。

4つ目は、誰が話したかの区別が無いことです。私が使っている移植には、話者分離が入っていません。LIVEのように何人も話す音声では、誰の発言かが分からないままです。

あ、名前の取り違えについては、公式版なら語彙の登録で教えられる作りになっています。ただ、私のMacで使っている移植には、その機能がありません。公式版の語彙の登録で私の名前が正しく出るかは、まだ確かめていません。

11月7日に決めました。Haas-jaを入れたのは「講座動画の声の点検」の1か所だけです。

理由は、点検の仕事が何かにあります。声の点検の仕事は、文字を完璧に起こすことではありません。台本と大きく違う発言を見つけることです。わざと間違えさせた音声の試験では、どの道具も見つける力は低く、同じくらいでした。それなら、待ち時間だけが大きく減る方を選べます。faster-whisperで約43分かかる計算だった所なので、ここは替えました。

普段の文字起こし（Whisper）と、LIVE記事の話者分け（AssemblyAI）は替えていません。理由は5つです。

• 英字が小文字になる
• 名前の書き方が崩れる（「ひろ君」）
• 話者分離が無い
• 語彙を教えられない
• 非公式の移植で、保守の約束が無い

言っていない文が少ないという強みは、普段の文字起こしでこそ効く所です。それでも、全体の入口を預けるには早いと判断しました。普段の文字起こしは、記事になる文字の出発点です。名前や英字が崩れたまま流れていくと、後で直す所が増えてしまいます。

入れ替えた後、過去の本物の講座2本で試してもらいました。『AI×アーキテクト』の63発言が22秒、『心のつかみ方』の51発言が13秒で終わりました。誤った警告は0件です。

壊れた時の備えも作りました。Haas-jaが動かない時は、警告を出して、今までのfaster-whisperに自動で戻ります。AIに頼んで、わざと壊した状態で動かし、点検が最後まで終わることを確かめてもらいました。元のファイルは控えを取ってあるので、いつでも元に戻せます。

入れる前には、変更を作ったAIとは別の会社のAI（Codex）に、変更内容を読ませて点検させました。1回目の指摘は4件です。

• Haas-jaも元の道具も両方失敗すると、点検全体が止まってしまう
• 結果の形が壊れていると、そこで止まってしまう
• 結果の一部が欠けている時に、「音声が無い」と間違った報告をする
• 同時に動かす数の制限が効いていない

この4件を直して、2回目は指摘0件でした。作った側とは別の目で見てもらうと、作った側が気づかない「止まり方」が出てきます。

まだ確かめていないことも書いておきます。1つは、新しく作る講座の流れの中での実行です。次の講座で初めて動きます。もう1つは、点検が30分を超えて打ち切られる時の動きです。

ここまでの流れを、あなたの手元で真似できる手順にしました。道具の名前が違っても、順番は同じで使えます。

1. 今の使い方を書き出して、候補を1か所に決める。 文字起こしを使っている場所と、それぞれの道具を並べます。その中で「遅い」「困っている」所を1つだけ選びます。私の場合は、faster-whisperが遅かった声の点検でした。
2. 手元の本物の音声を用意する。 台本や正解の文がある音声が一番使いやすいです。無音や雑音だけの短い音声も、何本か用意してください。言っていない文が出るかを見るためです。
3. 同じ音声で、今の道具と新しい道具の時間を測る。 同じ設定で2回以上、交互に測ります。測った時のパソコンの混み具合も書き留めておきます。短い音声と長い音声の両方で測ると、「速い」が条件つきかどうかが見えます。
4. 台本や正解と比べて、誤りを数える。 文字の誤りの割合に加えて、固有名詞、英字、言っていない文を目で確かめます。自分の名前や商品名が入った音声を混ぜておくと、弱点がすぐ見えます。
5. その場所の仕事に必要な物差しで決める。 点検なら「違いを見つける力」と待ち時間、普段の文字起こしなら名前や英字の正しさ、というように、物差しは場所ごとに違います。入れるなら1か所だけにして、控えを取り、壊れた時は元の道具に戻る形にしておきます。
6. 最初の一歩は、音声1本で時間を並べるだけでいい。 いきなり全部を測らなくて大丈夫です。手元の音声1本を、今の道具と新しい道具に通して、かかった時間を2つ並べてみてくださいね。

• Haas-jaは公式にはLinuxとNVIDIAのGPU向けで、Macは非公式の移植で動かす。移植には語彙の登録も話者分離も無い
• 声の点検（10発言）は、faster-whisperの407.8秒からHaas-jaの12.2秒へ縮んだ。5分の音声ではWhisperとほぼ差が無く、速さは条件つきだった
• 私のクローン声では、文字の誤りはWhisperの方が少なかった。noteの公開データでの結果は、私の素材では再現しなかった
• 言っていない文はHaas-jaの方が少なかった。一方で、英字の小文字化と名前の取り違えが出た
• 入れたのは声の点検の1か所だけ。壊れた時は元の道具へ自動で戻る形にして、別の会社のAIにも変更を点検させた

話題の新しいAIを見たら、全部を入れ替える前に、手元の音声1本で時間を並べるところから始めてみてくださいね。記事の数字と自分の数字を分けて見るだけで、どこに入れるかがぐっと決めやすくなります。