Whisper for Aegisub

Whisper for Aegisubの紹介

Whisper for Aegisubは、OpenAIのWhisper音声認識モデルをAegisub字幕エディタに直接統合するローカル型のオープンソースプラグインです。ユーザーはクラウドサービスや外部アプリケーションを経由せずに、音声・動画ファイルから正確でタイムスタンプ付きの字幕を生成できます。プライバシー、コントロール性、およびワークフロー効率を重視する字幕制作者およびコンテンツ制作者向けに設計されており、すべての処理がユーザーのWindowsマシン上で完結します。

このプラグインは、YouTuber、教育者、ジャーナリスト、翻訳者、アーカイブ担当者、字幕制作会社など、専門的かつ実用的な字幕作業を行うユーザーを対象としています。Python環境構築、Docker設定、コマンドライン操作といったAI音声認識の一般的な障壁を排除し、Aegisub内からメニュー操作のみで利用可能な完全に独立したインターフェースを提供します。

主なポイント

• 完全ローカル動作：ファイルのアップロード、データ送信、クラウド処理は一切発生しません
• Whisperが対応するすべての言語（100以上）をサポートし、自動言語検出機能を備えています
• Aegisubのオートメーション機能にネイティブ統合され、専用メニューからアクセス可能です
• FFmpegによるメディアフォーマット対応により、MP4、MKV、MP3、WAVなどの一般的な音声・動画形式をサポート
• 精度・速度・ハードウェア負荷のバランスを取るため、tinyからlarge-v3までの複数モデルを選択可能
• .srt、.ass、.ssaなど、Aegisubが標準でサポートするすべての字幕形式へのネイティブエクスポートに対応
• 無料版では最大60秒のメディアファイルについて無制限の字幕生成が可能。Proライセンスは一括14.99ドルの支払いにより、無制限の長さと生涯利用が可能になります
• NVIDIA CUDA/cuDNN対応GPU環境では、3～5倍の高速化が実現可能です

Whisper for Aegisubの仕組み

プラグインをAegisubのプラグインディレクトリにインストール後、ユーザーはAegisubの組み込み機能で音声または動画ファイルを開きます。その後、「オートメーション」→「AI字幕生成」メニューから言語とWhisperモデルサイズを選択し、必要に応じてタイムスタンプ調整方法などのオプションを設定して「開始」をクリックします。プラグインはローカルで音声認識プロセスを起動し、音声をテキストに変換してタイムスタンプ付きの字幕イベントを生成します。処理完了後、結果の字幕は自動的にAegisubのタイムラインおよび字幕グリッドに読み込まれ、手動での微調整が可能になります。

音声デコード、特徴量抽出、シーケンスデコードを含むすべての処理は、事前にコンパイル済みのWhisper推論バイナリを用いてローカルで実行されます。モデル重みは初回使用時に一度ダウンロード（インターネット接続が必要）され、以降は完全オフラインでの運用が可能です。ライセンス認証および定期的な有効性確認にはインターネット接続が必要ですが、字幕生成自体はネットワーク接続を一切必要としません。

主な利点と用途

Whisper for Aegisubは、時間的制約やプライバシー要件の厳しい字幕制作ワークフローを大幅に効率化します。教育者は講義録音を迅速に字幕化でき、ジャーナリストは機密性の高いインタビュー音源を第三者に渡すことなく文字起こしが可能です。またYouTuberは、短尺および長尺コンテンツ向けにアクセシビリティ向上およびSEO最適化のための字幕を容易に作成できます。Aegisubとの緊密な統合により、タイミング、スタイリング、フォーマットに対する細かい制御が維持されるため、放送レベルの品質要件を満たす字幕制作にも適しています。

本ツールは多様な制作シーンに対応します：多言語ドキュメンタリーの字幕制作、教育機関や行政機関におけるアクセシビリティ準拠対応、レガシーメディアのアーカイブ文字起こし、SNS向け短尺クリップの迅速な制作など。Whisperの堅牢な多言語対応とAegisubの成熟した字幕編集機能を活用することで、Premiere ProやDaVinci Resolveの内蔵字幕機能よりも高い精度を実現するとともに、SaaS型サービスに伴う継続的なコストやベンダー依存を回避できます。