---
title: Whisper_large-v3文字起こし講座_法人研修ポートフォリオ
tags: 
author: [Yukiko](https://image.docswell.com/user/yukiko_it)
site: [Docswell](https://www.docswell.com/)
thumbnail: https://bcdn.docswell.com/page/87DGD9DW7G.jpg?width=480
description: https://github.com/Forbusinessuseyukikoishiguro/Windows-VS-Code-Docker-Whisper-large-v3-20261112
published: November 12, 26
canonical: https://image.docswell.com/s/yukiko_it/59NP8Y-2026-11-12-072057
---
# Page. 1

![Page Image](https://bcdn.docswell.com/page/87DGD9DW7G.jpg)

法人研修版｜Python × Whisper large-v3
Whisper large-v3 で
音声ファイルを文字にする
ボタンひとつの文字起こしツールを、仕様駆動で作る
全8段階スロープ設計／約1時間 45分
Google Colab・Google Cloud・Azure 設定つき／公式ドキュメント参考
うさうさ研修工房


# Page. 2

![Page Image](https://bcdn.docswell.com/page/VJP3XZXXE8.jpg)

OV E RVI E W
この講座の Why / What / How
WHY
なぜ学ぶか
WHAT
何を作るか
HOW
どう進めるか
1. 録音の文字起こしは、手作業だと時
間がかかる
1. Colab で動く Whisper large-v3 ノート
ブック
1. 8段階スロープで、少しずつ難しくす
る
2. 外部サービスに音声を出せない現場
も多い
2. ボタン式の Web ツール（Python＋
HTML/CSS/JS）
2. テスト先行：受入基準 → 実装
3. AIに任せるには、仕様を先に決める
力が要る
3. CLAUDE.md と spec.md（仕様駆動の成
果物）
3. Google / Azure の設定は手順書どおり
に進める
対象：Python の基本（変数・関数）が分かる方／前提：Google アカウント、（任意）Azure サブスクリプション
Whisper large-v3で音声を文字にする｜法人研修版
2


# Page. 3

![Page Image](https://bcdn.docswell.com/page/2EV4LWL3JQ.jpg)

WHY
現場の「あるある」：録音はあるのに、文字がない
1
2
3
議事録に追われる
録音が溜まっていく
音声を外に出せない
会議の録音を聞き直して書き起こす
と、会議の何倍も時間がかかる
研修・商談・問い合わせの録音が、
検索できないまま眠っている
社外サービスへのアップロードは、
規程で止められることがある
今日の答え：音声を文字にする部分は Whisper に任せ、人は「何を作るか（仕様）」と「確認」に集中する
Whisper large-v3で音声を文字にする｜法人研修版
3


# Page. 4

![Page Image](https://bcdn.docswell.com/page/57G1XDXYEL.jpg)

WHAT
Whisper large-v3 とは
約15億
500万時間
10〜20%
128
パラメータ数
（1550M・多言語専用）
学習データ量
（弱ラベル100万＋疑似ラベ
ル400万）
large-v2 に比べた
エラー減（モデルカード記
載）
入力のメル周波数ビン数
（v2は80）＋広東語トーク
ン追加
1. 音声認識（同じ言語で文字化）と、他言語から英語への翻訳ができます
2. 本講座は faster-whisper（CTranslate2版）を使います。元の実装より最大4倍高速・省メモリと READMEに記載
3. 初回はモデル（約3GB）をダウンロードします。GPU は CUDA 12 と cuDNN 9 が前提で、なければ CPU（int8）で動かせます
出典：Hugging Face openai/whisper-large-v3 モデルカード／SYSTRAN/faster-whisper README
Whisper large-v3で音声を文字にする｜法人研修版
4


# Page. 5

![Page Image](https://bcdn.docswell.com/page/4EQD8186JP.jpg)

C OMP ARE
3つのエンジンを比べる：まず「データの行き先」
観点
Whisper large-v3（local）
Azure OpenAI Whisper
Google Speech-to-Text
音声データ
自分の環境の中で完結
Azure に送信
Google に送信
上限
実質なし（メモリ次第）
ファイル25MB
同期：約1分・10MB
準備
GPU（CUDA12＋cuDNN9）推奨
リソース作成＋デプロイ
API有効化＋APIキー
認証
不要
キー（本番はEntra ID推奨）
キー（本番はIAM推奨）
向く場面
機密音声・長時間
社内にAzure基盤がある
短い音声・Google環境
出典：Azure OpenAI Whisper クイックスタート／Cloud Speech-to-Text クォータと制限（いずれも変更されうるため、収録前に最新を確認）
Whisper large-v3で音声を文字にする｜法人研修版
5


# Page. 6

![Page Image](https://bcdn.docswell.com/page/KJ4Z2R2M71.jpg)

ROADM AP
今日のゴールと8段階の流れ
難易度は少しずつ上がり、STEP7の「山場」でピークに達したあと、STEP8で振り返って着地します
STEP7
9
STEP6
STEP5
STEP4
STEP3
STEP2
3
4
7
6
5
STEP8
3
STEP1
1
難易度（1〜9）
Whisper large-v3で音声を文字にする｜法人研修版
6


# Page. 7

![Page Image](https://bcdn.docswell.com/page/LE1RMQMYEG.jpg)

STEP 1 / 8
全体像と完成イメージをつかむ
助走ゾーンA
所要 0:00–0:08
難易度 1
ねらい：「ファイルを選ぶ→ボタン→テキスト」の完成形を見て、今日作るものを自分ごとにする。
1
完成版ツールのデモを見て、音声ファイルが文字になるまでの流れを確認します
2
自分の職場で文字起こしが必要な場面（会議・研修・問い合わせ録音）を1つ書き出します
3
今日の成果物（Colabノートブック／Webツール／CLAUDE.md＋spec.md）を確認します
Whisper large-v3で音声を文字にする｜法人研修版
7


# Page. 8

![Page Image](https://bcdn.docswell.com/page/GEW13M3172.jpg)

STEP 2 / 8
Whisper large-v3 と3つのエンジンを知る
助走ゾーンB
所要 0:08–0:18
難易度 3
ねらい： local / Azure / Google の違いを、自分の言葉で一言で説明できる。
1
Whisper large-v3 の特徴（多言語・約15億パラメータ・オープンな重み）を確認します
2
比較表で、音声データの行き先・ファイル上限・準備の手間の違いを読み取ります
3
「この音声は社外に出してよいか」を判断基準に、エンジンを選びます
Whisper large-v3で音声を文字にする｜法人研修版
8


# Page. 9

![Page Image](https://bcdn.docswell.com/page/47ZPVQVXE3.jpg)

STEP 3 / 8
Colab で large-v3 を動かす
上り坂A
所要 0:18–0:33
難易度 4
ねらい：環境構築で迷わず、まず1本、自分の音声を文字にする。
1
ランタイムを T4 GPU に変更し、ノートブックの Step1〜3 を実行します
2
サンプル音声をアップロードして文字起こしを実行し、時刻付きの結果を表示します
3
segments がジェネレータである点を確認し、結果を .txt で保存します
Whisper large-v3で音声を文字にする｜法人研修版
9


# Page. 10

![Page Image](https://bcdn.docswell.com/page/YJ6M565P7V.jpg)

STEP 4 / 8
仕様駆動：CLAUDE.md と spec.md を書く
上り坂B
所要 0:33–0:48
難易度 5
ねらい：コードを書く前に、AIと人が同じ「正」を見られる状態をつくる。
1
CLAUDE.md を6見出し（概要・進め方・コマンド・規約・NEVER・制約）で書きます
2
spec.md に要件ID（FR / SEC / NFR）を付けて要件を書きます
3
受入基準を Given / When / Then で3本書き、どの要件のものか ID を添えます
Whisper large-v3で音声を文字にする｜法人研修版
10


# Page. 11

![Page Image](https://bcdn.docswell.com/page/GJ5ZY6YPE4.jpg)

STEP 5 / 8
テスト先行でバックエンドを作る
上り坂C
所要 0:48–1:03
難易度 6
ねらい：受入基準がそのままテストになり、全部通るまで実装する体験をする。
1
受入基準から pytest を先に書き、失敗（Red）することを確認します
2
FastAPI の /api/transcribe を実装して、全テストを通します（Green）
3
拡張子・サイズ・engine 値の検証と、一時ファイルの削除を確認します
Whisper large-v3で音声を文字にする｜法人研修版
11


# Page. 12

![Page Image](https://bcdn.docswell.com/page/LE395Q56E5.jpg)

MOC K ｜S T E P5 補足
モックで動かす：本物なしで、自分のコードを確かめる
本物で動かすと困ること
本物
自分のコード
1
2
モデルが約3GBで、取得も実行も重い
GPU や APIキー・課金が必要になる
モデル3GB・API・課金
重い／遅い／失敗を作れない
transcribe.py
（本物のまま動く）
偽物＝モック
3
4
結果が環境で変わり、正解を固定しにくい
失敗（上限超えなど）を起こせない
その場で終わる・無料
失敗も自在に起こせる
差し替える場所＝外部との境目
原則：偽物にするのは「外部との境目」だけ。自分のコードは本物のまま動かす
Whisper large-v3で音声を文字にする｜法人研修版
12


# Page. 13

![Page Image](https://bcdn.docswell.com/page/8EDGD9DMEG.jpg)

MOC K ｜S T E P5 補足
モック7つの技法：道具と、確かめられること
技法
道具・書き方
確かめられること
1. 辞書の関数を差し替える
monkeypatch.setitem
APIの流れだけを確認
2. 環境変数を差し替える
setenv / delenv
未設定エラー・キーが漏れないか
3. 外部通信を偽物にして引数を記録
setattr（httpx.post など）
キーを正しい場所で渡したか
4. 重い部品を丸ごと偽物にする
sys.modules に登録
モデルなしで本体を最後まで
5. 失敗を偽物で起こす
例外を投げる偽物
失敗でも一時ファイルが残らないか
6. ダミー入力を作る
tmp_path / ffmpeg の lavfi
空・長すぎ・拡張子違いの扱い
7. サーバなしでHTTPをテスト
FastAPI の TestClient
検証と応答コード
限界：確かめられるのは「呼び方と後処理」まで。本物の品質は、本物で別に確認する
Whisper large-v3で音声を文字にする｜法人研修版
13


# Page. 14

![Page Image](https://bcdn.docswell.com/page/V7P3XZXQJ8.jpg)

STEP 6 / 8
HTML / CSS / JS でボタンを作る
上り坂D（山場前）
所要 1:03–1:18
難易度 7
ねらい：一人演習で、ブラウザから押せるツールの画面を完成させる。
1
index.html に、ファイル選択・エンジン選択・開始ボタンを置きます
2
app.js で fetch→結果表示を書き、処理中はボタンを無効にします
3
コピーと .txt 保存を付け、エラーは日本語で画面に出します
Whisper large-v3で音声を文字にする｜法人研修版
14


# Page. 15

![Page Image](https://bcdn.docswell.com/page/2JV4LWLP7Q.jpg)

STEP 7 / 8
キーを設定して3エンジンを統合する
頂上チャレンジ（山場）
所要 1:18–1:35
難易度 9
ねらい： Google と Azure の設定を終え、同じ音声を3エンジンで動かして比べる。
1
Google の API を有効化し、キーに API 制限を付けて .env に設定します
2
Azure で Whisper をデプロイし、エンドポイント・キー・デプロイ名を .env に設定します
3
同じ音声を3エンジンで実行し、結果・処理時間・上限の違いを比較表に記録します
★チェックポイント
① キーが画面・ログ・Gitに出ていない
Whisper large-v3で音声を文字にする｜法人研修版
② 3エンジンとも結果が返る（または原因を説明できる）
15


# Page. 16

![Page Image](https://bcdn.docswell.com/page/5EG1XDXQJL.jpg)

STEP 8 / 8
振り返りと職場への持ち帰り
下山・振り返り
所要 1:35–1:45
難易度 3
ねらい：学びを、自社で最初に試す一歩に落とし込む。
1
チェックリスト5項目で、できたことと詰まったところを確認します
2
自社で最初に文字起こしする音声と、使うエンジンを1つ決めます
3
情報システム部門に確認すべきこと（データの行き先・キー管理）を書き出します
Whisper large-v3で音声を文字にする｜法人研修版
16


# Page. 17

![Page Image](https://bcdn.docswell.com/page/4JQD818W7P.jpg)

ARC HITEC TURE
ツールの構成：ブラウザ → FastAPI → 3つのエンジン
local
ブラウザ
FastAPI（Python）
HTML / CSS / JS
ファイル選択・ボタン
結果の表示・コピー・保存
入力の検証
（拡張子・サイズ・engine値）
一時ファイル→必ず削除
キーは環境変数だけ
faster-whisper large-v3
azure
Azure OpenAI Whisper
google
Speech-to-Text（REST）
POST /api/transcribe（file, engine, language）
フロントにキーを置かない：ブラウザは音声を送るだけ。外部APIの呼び出しはサーバ側だけが行う
Whisper large-v3で音声を文字にする｜法人研修版
17


# Page. 18

![Page Image](https://bcdn.docswell.com/page/K74Z2R21E1.jpg)

S PE C - DR IVE N
仕様駆動：spec.md が正、CLAUDE.md が AI への約束
spec.md
テスト（Red）
実装（Green）
整理
要件ID＋受入基準
基準をテスト化
全テストを通す
仕様も更新
CLAUDE.md の6見出し
1. 概要
2. 進め方（仕様→テスト→実装）
要件IDとテストをつなぐ（トレーサビリティ）
3. コマンド
1. FR-03：ボタンで文字起こし → test_transcribe_ok
4. コーディング規約
2. SEC-02：拡張子・サイズの検証 → test_reject_*
3. SEC-03：一時ファイル削除 → test_tempfile_removed_*
4. SEC-04：Googleキーはヘッダ → test_google_key_in_header
Whisper large-v3で音声を文字にする｜法人研修版
5. 絶対に守ること（NEVER）
6. 既知の制約
18


# Page. 19

![Page Image](https://bcdn.docswell.com/page/LJ1RMQM5JG.jpg)

S E CU RITY
法人研修の必須ルール：APIキーの守り方
1
コードに書かない
キーは .env / Colab シークレットだけ。
Git・スライド・スクショに載せない
4
用途ごとに分ける
1アプリ1キー。受講生ごとに別キーが
理想
2
API制限を付ける
Googleのキーは「Speech-to-Text APIのみ
」に制限する
5
ローテーション
不要なキーは削除。定期的に新しいキ
ーへ入れ替える
3
ヘッダで渡す
Google は ?key= ではなく x-goog-api-key
ヘッダ（URLに残さない）
6
本番は認証を見直す
公式は、本番ではIAM／Entra IDなどキ
ーに頼らない認証を推奨
出典：Google Cloud「APIキー管理のベストプラクティス」／Azure OpenAI クイックスタート
Whisper large-v3で音声を文字にする｜法人研修版
19


# Page. 20

![Page Image](https://bcdn.docswell.com/page/GJW13M3WE2.jpg)

S E T UP ｜ GO O G L E
Google Cloud：Speech-to-Text の APIキーを作る
1
Google Cloud コンソールでプロジェクトを作成し、請求先を紐づけます
2
「APIとサービス」→「ライブラリ」で Cloud Speech-to-Text API を有効にします
3
「認証情報」→「認証情報を作成」→ APIキーを作成します
4
キーの「API の制限」で Cloud Speech-to-Text API のみに絞って保存します
5
キーを .env の GOOGLE_API_KEY（Colab はシークレット）に貼ります
同期認識は約1分・10MBまで。それ以上は Cloud Storage 経由の非同期（本講座では Whisper を使う）。公式は本番でのAPIキー利用を
推奨していません。
出典：Cloud Speech-to-Text 公式ドキュメント（クォータと制限／認証）。画面名称は変わることがあります。
Whisper large-v3で音声を文字にする｜法人研修版
20


# Page. 21

![Page Image](https://bcdn.docswell.com/page/4EZPVQV2J3.jpg)

S E T UP ｜ A Z URE
Azure：OpenAI の Whisper をデプロイする
1
Azure ポータルで Azure OpenAI リソースを作成します（Whisper 提供リージョンを選択）
2
操作する人に Cognitive Services Contributor 以上のロールを付けます
3
Azure AI Foundry で whisper をデプロイし、デプロイ名を決めて控えます
4
ポータルの「キーとエンドポイント」から、KEY 1 とエンドポイントをコピーします
5
.env の AZURE_OPENAI_ENDPOINT / API_KEY / DEPLOYMENT に設定します
ファイル上限は25MB。API の model には「モデル名」ではなく「デプロイ名」を渡します（取り違えると失敗します）。
出典：Microsoft Learn「Azure OpenAI Whisper クイックスタート」。Whisper は提供状況・リージョンが変わることがあります。
Whisper large-v3で音声を文字にする｜法人研修版
21


# Page. 22

![Page Image](https://bcdn.docswell.com/page/Y76M56Y6EV.jpg)

S E T U P ｜ C O L AB
Google Colab：GPU とシークレットの設定
1
「ランタイム」→「ランタイムのタイプを変更」で T4 GPU を選びます
2
左の鍵アイコン（シークレット）に、使うキーを名前つきで登録します
3
「ノートブックからのアクセス」をオンにします
4
コードでは userdata.get("名前") で読み込み、キーを直接書きません
5
ノートブックを上から順に実行します（付録A〜Cが Google / Azure / ミニツール）
無料枠ではGPUの割り当てや接続時間に制限があります。セッションが切れるとファイルは消えるため、結果は .txt でダウンロード
して保存します。
出典：Google Colab 公式ヘルプ（シークレット機能／ランタイム）。
Whisper large-v3で音声を文字にする｜法人研修版
22


# Page. 23

![Page Image](https://bcdn.docswell.com/page/G75ZY6G5J4.jpg)

TROUBLES HOOTING
つまずき早見表：症状 → 原因 → 対処
症状
よくある原因
対処
cuDNN / cuBLAS のエラー
CUDA・cuDNN と ctranslate2 のバージョン不一
致
ctranslate2==4.4.0 に固定して再起動／CPU（int8）で
実行
Google が「長すぎる」で失敗
同期認識の上限（約1分・10MB）を超えた
local か Azure を使う（Googleは短い音声のみ）
Google が 403
API未有効化、またはキー制限の設定ミス
API を有効化し、キーの制限対象を確認する
Azure が「デプロイが見つからない
」
model にモデル名を渡している
デプロイ名を指定する／エンドポイントの綴りを確
認
最初の実行だけ遅い
モデル（約3GB）をダウンロード中
初回のみ。先に読み込みセルだけ実行しておく
出典：SYSTRAN/faster-whisper README（CUDA/cuDNN と ctranslate2 の対応）／各社公式ドキュメント
Whisper large-v3で音声を文字にする｜法人研修版
23


# Page. 24

![Page Image](https://bcdn.docswell.com/page/9J2RGMYG7R.jpg)

S UM MA RY
振り返りチェックリスト
エンジン選びを「データの行き先」から説明できた
Colab で large-v3 を動かし、結果を .txt で保存できた
CLAUDE.md と spec.md を書き、要件IDとテストを対応づけられた
ボタンを押して文字になるツールが、自分の環境で動いた
APIキーを守るルール（.env・API制限・コミットしない）を実践できた
うさうさ研修工房


# Page. 25

![Page Image](https://bcdn.docswell.com/page/DEYDVXGGEM.jpg)

R E FE R E NC E S
参考にした公式情報
1
Whisper large-v3 モデルカード
huggingface.co/openai/whisper-large-v3
2
OpenAI Whisper（GitHub）
github.com/openai/whisper
3
faster-whisper（SYSTRAN）
github.com/SYSTRAN/faster-whisper
4
Azure OpenAI Whisper クイックスタート
learn.microsoft.com/azure/ai-services/openai/whisper-quickstart
5
Cloud Speech-to-Text（クォータ・認証）
cloud.google.com/speech-to-text
6
Google Cloud APIキー管理のベストプラクティス
docs.cloud.google.com/docs/authentication/api-keys-best-practices
確認状況：上限・仕様は検索結果の抜粋で確認した項目を含みます。Colab・Claude Code（CLAUDE.md）の公式ページは本文を直接確認し
ていません。収録前に各公式ページで最新を確認してください。
Whisper large-v3で音声を文字にする｜法人研修版
25