Soniox vs Whisper：
リアルタイムSTTを比較

録音済み音声ファイルの文字起こしでは、特に英語において Whisper の方が優れた選択肢です。Soniox はリアルタイムストリーミング向けに構築されており、音声が届くのに合わせて WebSocket 経由で低遅延の部分結果を返します。誰かがまだ話している最中に字幕を表示したいなら、Soniox のアーキテクチャが適しています。Whisper も現在はリアルタイム文字起こしのワークフローで使えるようになっていますが、ライブ字幕体験では、ストリーミングネイティブな STT スタックに比べて、依然としてより多くの実装と調整が必要になる傾向があります。

Whisper がオープンソース音声認識のゴールドスタンダードだと紹介されているのを見たことがあるかもしれません。その評価は正しいです — 適切なユースケースであれば。この記事では、ライブ会議で字幕が必要なときにベンチマークスコアよりアーキテクチャが重要な理由、Whisper をセルフホストする実際のコスト、そしてあなたの状況に合った明確な判断基準を説明します。

Whisper と Soniox はどう違う設計なのか

Whisper: バッチ優先の Transformer

OpenAI は 2022 年 9 月に、680,000 時間の多言語音声で学習したオープンソース ASR モデル Whisper を公開しました。そのアーキテクチャは encoder-decoder Transformer で、音声は log-Mel スペクトログラムに変換され、encoder を通り、text token にデコードされます。Whisper の元論文では large までの元のモデル群が扱われており、その後の model card 更新で large-v3 などの新しいチェックポイントが追加されました。

このアーキテクチャはクリアな音声には強力です。しかし構造的な制約があります。decoder が何かを出力する前に、encoder が固定長の音声ウィンドウを処理する必要があるのです。Whisper のデフォルトウィンドウは 30 秒です。実際には、一定時間音声を集め、そのチャンクをモデルに入力し、文字起こしを受け取ります。結果が表示されるのはチャンク処理完了後であり、発話に合わせて単語ごとに出るわけではありません。

faster-whisper（CTranslate2 バックエンドを使用）や whisper-live のようなサードパーティ製アダプターは、チャンクサイズを小さくし、ウィンドウを重ねることでこれを改善します。十分な性能の GPU で small モデルを使えば、遅延をおおよそ 1〜2 秒まで縮められます。より高精度な large-v3 では、最低でも 2〜4 秒を見込むべきです。500ms 未満の Whisper 字幕は、Whisper を使う価値のある精度を大きく損なわない限り、実用的には達成できません。

Soniox: 後付けではなく、最初からストリーミング向け

Soniox は、ストリーミングアーキテクチャを前提に設計された商用リアルタイム STT API です。WebSocket 接続を開き、音声を段階的に受け取り、文が終わる前に部分トークンを返します。誰かが「The meeting starts at Friday—」と言った時点で、Soniox はすでに「The」「meeting」「starts」を部分トークンとして出力しています。これらのトークンは、より多くの文脈が入るにつれて更新・確定されるため、字幕が後処理ではなく会話に追従しているように感じられます。

これは推論バックエンドを高速化した Whisper ではありません。設計目標そのものが異なります。完全な音声チャンクの後に高精度な最終出力を返すのではなく、永続接続上で低遅延の部分出力を返すことが目的です。アーキテクチャの違いに不慣れなら、Whisper の仕組みを非技術的なレベルで確認できます。

精度: それぞれが強い場面

英語のクリアな読み上げ音声 — ポッドキャスト、ナレーション、明瞭な単一話者による録音講義 — では、Whisper large-v3 はオープンソース・商用を問わず利用可能なモデルの中でも最上位クラスです。LibriSpeech test-clean データセットでは、読み上げ音声において人手文字起こしに匹敵する単語誤り率を達成しています。

Soniox は会話音声向けに調整されています。発話の重なり、訛りのある英語、非ネイティブ話者、言語間のコードスイッチングなどです。MirrorCaption がこれを選んだのは、会議で重要になる種類の誤り — 固有名詞、専門用語、非ネイティブアクセントの話者 — に対して、オーディオブックのような音声向けに最適化されたバッチモデルよりもうまく対応できるからです。

精度の問題は、遅延の問題とも切り離せません。Whisper のバッチ処理は、どのトークンを確定する前にも完全な文脈を得られるため、難しいフレーズでの精度向上に役立ちます。Soniox のストリーミングモデルは、不完全な文脈のまま部分トークンを出し、その後自己修正する必要があります。録音音声なら、精度ではバッチ方式が勝ちます。ライブ会話では、3 秒待つこと自体が別の種類のエラーになります。つまり、返答すべきタイミングを逃すのです。

正直な注意点をひとつ。私たちは同じライブ会議音声で管理された直接比較テストを行っていません。公開ベンチマークについては、Whisper GitHub model card を参照してください。Soniox の公称ベンチマークは soniox.com を直接確認してください。リアルタイム翻訳精度に関する私たちのより広い分析では、複数の STT エンジンでストリーミング条件下において精度がどう低下するかを扱っています。

リアルタイム遅延: アーキテクチャの差

異なる STT アプローチにおける「リアルタイム」の実際の意味は次のとおりです。

• Whisper（デフォルトの 30 秒ウィンドウ）: 5〜30 秒の遅れ。モデルは完全な音声チャンクを待ってから出力します。
• faster-whisper、small モデル、高性能 GPU: 1〜2 秒。改善はされますが、依然としてバッチ型です。読んでいるのは「今言われていること」ではなく「言われたこと」です。
• faster-whisper、large-v3、高性能 GPU: 2〜4 秒。精度は高いが、遅延は大きいです。
• Soniox WebSocket ストリーミング: 会話型字幕に十分な速さで部分結果が届き、MirrorCaption のエンドツーエンド翻訳字幕は 500ms 未満を維持します。

この 1〜3 秒の差は、ログを読むことと会話することの違いです。その場で割り込む、確認の質問をする、交渉のニュアンスをつかむ必要があるなら、タイミングが重要です。MirrorCaption は Soniox のストリーミングの上に GPT ベースの翻訳を追加していますが、それでも音声から翻訳字幕までのエンドツーエンド時間は 500ms 未満です。

導入とセットアップ

Whisper の実行: 実際に必要なもの

Whisper のモデル重みは無料です（Apache 2.0）。実行には Python 3.8+、ffmpeg、pip 依存関係が必要です。small モデルを超えるものでは、CUDA 対応 GPU が欲しくなります。large-v3 にはおよそ 10GB の VRAM が必要です。リアルタイム利用ではさらに、音声チャンク分割ロジック、ブラウザから音声をストリーミングするための WebSocket サーバー、そして faster-whisper や whisper-live のようなストリーミングアダプターも必要です。

Python とクラウドインフラに慣れた開発者なら、Whisper のセルフホストは管理可能です。しかし、ユーザーのブラウザでサーバーインストールなしに字幕が動く製品を作るなら、いずれにせよ API の仲介層が必要です。その時点で、オープンソースの「無料」という利点はインフラコストに置き換わっています。

Soniox: API ファースト、インフラ不要

Soniox は API 専用です。キーで認証し、wss://stt-rt.soniox.com/transcribe-websocket への WebSocket 接続を開き、音声フレームを送信し、トークンを受け取ります。ローカルのモデル重みも、GPU の用意も不要です。開発者なら半日で統合できます。

非開発者にとって、Soniox 自体は直接使えるものではありません。開発者向け API だからです。そこで MirrorCaption vs OpenAI Whisper が重要になります。MirrorCaption は Soniox のストリーミングをブラウザ UI に包み込んでいるため、セットアップ、セルフホスト、API キーなしで 500ms 未満の字幕を利用できます。コード不要の代替手段を広く見たい場合は、コーディング不要の Whisper 代替をご覧ください。

OpenAI Whisper API

OpenAI は Whisper の文字起こし API を $0.006/分 で提供しており、whisper-1 のリアルタイム文字起こしセッションも公開しています。これによりインフラ負担の多くは解消されます。残るトレードオフはアーキテクチャとプロダクトレベルのものです。Whisper は依然として録音音声と後処理に最も強く、低遅延のライブ字幕が要件であれば、Soniox のようなストリーミングネイティブなスタックの方が通常は適しています。

価格: 「オープンソース」は無料ではない

Whisper は無料だと思っている人にとって、このコスト比較は驚きです。

Whisper セルフホスト（月 100 時間のライブ会議利用）:
100 時間 = 6,000 分の連続文字起こしです。これを会議のペースでほぼリアルタイムに処理するには、単なるバッチジョブではなく、会議中ずっと稼働する GPU サーバーが必要です。large-v3 を実用速度で動かせる中級クラスのクラウド GPU インスタンス（例: AWS g5.xlarge または同等）は、おおよそ $1〜2/時間 です。月 100 時間の会議なら、GPU 時間だけで $100〜200、さらに統合の構築・保守にかかるエンジニアリング時間が加わります。

OpenAI Whisper API（月 100 時間）:
6,000 分 × $0.006 = $36/月。ホスト側のセットアップは不要で、価格も手頃です。リアルタイム文字起こしも利用可能になりましたが、その上に洗練されたライブ字幕プロダクトを構築するには、依然としてストリーミングファーストの API より多くの作業が必要です。

MirrorCaption（エンドユーザー、月 100 時間）:
年間プランは €29/年 で 100 時間をカバーします（€0.29/時間）。ライフタイムプランは €49 の一括払いで 200 時間をカバーします。たまに使うユーザー向けには、無料プランで 1 時間無料（1 回限り）を提供しています。

月 20 時間の多言語会議を行うチームなら、MirrorCaption の €29/年 は込みでおよそ €0.12/時間 です。GPU 料金ベースのセルフホスト Whisper は、その 8〜15 倍のコストになります — ストリーミングインフラの構築・保守時間を含める前でもです。

どちらを選ぶべきか？

パイプラインを構築する開発者ではなくエンドユーザーである場合、Whisper も Soniox も UI レイヤーなしでは直接利用できません。MirrorCaption は Soniox に対するそのレイヤーです。ブラウザアプリとして、Soniox の 500ms 未満ストリーミング、60+ 言語での GPT 翻訳、話者検出を、インストール不要で提供します。エンドユーザー向けツールをより広く比較したい場合は、2026 年のおすすめ speech-to-text ソフトのまとめをご覧ください。

MirrorCaption が Soniox を使う理由

MirrorCaption は Soniox のストリーミング STT を中心に構築されています。なぜなら、ユースケースがそれを要求するからです。ライブ会議では、3 秒の遅延は壊れた体験です。話者が次の文に進んだあとに翻訳が表示されるのは字幕ではなく、遅れたログです。私たちが Soniox を選んだのは、後から適応させたのではなく、最初からストリーミング向けに設計されていたからです。

Soniox のストリーミングの上に、MirrorCaption は 60+ 言語対応の GPT ベース翻訳改善と、AES-GCM で暗号化された一時 API キー（TTL 2 秒、Supabase Edge Function 経由で発行）を追加しています。これにより、永続的な認証情報を使って音声が私たちのサーバーを通過することはありません。信頼には具体性が必要だからこそ、アーキテクチャは透明です。私たちは Soniox STT と OpenAI GPT を使っています。「独自のニューラルエンジン」ではありません。

よくある質問

結論として、Soniox と Whisper は主に異なるユースケースに向いています。Whisper は録音ファイルの高精度なバッチ文字起こしに適しています。Soniox は、完璧なオフライン精度より遅延の少なさが重要な場合に適しています — つまり、あらゆるライブ会議です。