Whisper vs YouTube字幕: 文字起こしにお金を払うべきなのはいつか

Whisper vs YouTube字幕という問題は、多くの人が間違った枠組みで捉えています。どちらの文字起こしエンジンが「優れているか」という品質対決として扱われがちですが、本当の論点は「その文字起こしはすでに存在しているのか」です。YouTube動画の大多数では、答えはイエスです。YouTubeは字幕を自動生成しており、それを取得するのはHTTP呼び出し1回で済みます。そうした動画にWhisperをかけるということは、最初からそこにあったテキストを再生成するために、音声をダウンロードし、計算資源に課金し、待ち時間を費やすということです。

とはいえ、Whisperが誇大宣伝というわけでもありません。Whisperが明らかに正解となる具体的な状況は存在し、パイプラインを構築していればいずれ必ず遭遇します。ここでは数字を交えて、公平な線引きを示します。

それぞれが実際に提供するもの

YouTube字幕 — ほとんどの公開動画で即座に利用できます。人間がアップロードした字幕トラックは非常に高品質で、自動生成のものもそれなりの品質で年々改善しています。ただし定番の弱点として、句読点が乏しい、固有名詞や専門用語が崩れる、同音異義語の取り違えがたまにある、という点があります。取得コスト: 実質ゼロです。

Whisper(またはfaster-whisper) — 音声そのものを文字起こしします。きちんとした句読点と大文字小文字、専門語彙への強さ(特にinitial promptを与えた場合)、信頼できる単語レベルのタイムスタンプがあり、字幕が一切ない動画でも機能します。コスト: OpenAI APIで音声1分あたり約$0.006。セルフホストにはGPUか、CPUで気長に待つ忍耐が必要です。さらに、まず音声を入手しなければなりません — 通常はyt-dlp経由ですが、これはサーバー上では固有の問題(データセンターIPのブロック、バイナリのメンテナンス)を抱え込むことになります。

動画100本のバックログで計算してみる

あるチャンネルの過去動画をまとめて処理するとしましょう。100本、平均15分です。

Whisperルート: 100 × 15分 × $0.006 = API料金で約$9。安く聞こえますし、実際安いのですが、これが請求の全額ではありません。さらに約100本の音声ファイルをyt-dlpでダウンロードし(クラウドIPからだと「ロボットではないことを確認してください」という失敗とプロキシ費用を覚悟してください)、保存し、ジョブをキューに積み、待つ必要があります。現実的には、パイプライン構築に半日、処理の実時間に1時間以上かかります。

字幕ルート: GETリクエスト100回。数分で完了し、音声ファイルがディスクに触れることは一切ありません。

curl -s "https://youtube2text.org/api/transcribe?url=VIDEO_ID" \
  -H "x-api-key: yt_YOUR_KEY"

youtube2text.orgの料金体系では、100本は$9.99/月のプラン(500本)に収まります。金額はWhisperのAPI料金と同程度ですが、インフラはゼロで、結果はきれいなJSONとして即座に届きます。要約やチャンネル規模のRAGのためにLLMへ文字起こしを渡す用途では、私は毎回このルートを選びます。自動字幕に含まれる細かい誤りは、言語モデルが軽々と吸収してくれます。

Whisperが本当に勝つ場面

ここは冷静に見ておきたいところです。字幕が完敗する仕事も確かに存在します。

• 字幕が存在しない。 一部の動画 — 限定公開のアップロード、特定の音楽コンテンツ、一部の非英語動画 — は TRANSCRIPT_UNAVAILABLE を返します。Whisperが唯一の選択肢です。
• 正確さそのものが成果物である。 引用の公開、法務・医療のレビュー、自分のコンテンツへの字幕付け — 自動字幕のエラー率は許容できず、Whisperの出力は明らかにクリーンです。
• 信頼できる単語タイムスタンプが必要。 クリップ切り出し、カラオケ風ハイライト、アラインメント作業など。字幕のタイミングはセグメント単位の近似値です。
• 難しい音声。 強い訛り、発話の重なり、録音品質の悪さ — Whisperの大型モデルはしばしばYouTubeのASRを上回ります。

とはいえ、講義ノートやポッドキャストの要約なら、字幕でほぼ常に十分です。下流のLLMがノイズを覆い隠してくれます。

判断リスト

• LLMに渡す(要約、RAG、リサーチ)? → 字幕。 誤りは洗い流されます。
• 文字起こしを逐語で公開する? → Whisper、その後に人間のレビュー。
• 単語レベルのタイムスタンプが必要? → Whisper。
• 予算と締め切りのある大量バックログ? → まず字幕。
• 動画が TRANSCRIPT_UNAVAILABLE(404)を返す? → Whisperにフォールバック。 これが私が実際に運用しているパターンです。まず字幕の呼び出しを試し、失敗したものだけをWhisperのキューに回します。実際にはフォールバックが発火するのはごく少数の動画なので、字幕レベルのコストでWhisperレベルのカバレッジが得られます。

クラウドサーバーからの字幕取得が結果を返さずに失敗し続けるなら、それは別の問題 — 字幕がないのではなくIPブロックです。詳しくはyoutube-transcript-apiがブロックされる理由をご覧ください。

字幕ファーストの部分を組み込むには: youtube2text.org/app/keys でGoogleサインインするだけで無料キーが手に入ります(月5本まで無料、カード不要)。完全なAPIリファレンスは youtube2text.org/api.md にあります。