定義
kotoba-whisperとは、OpenAIのWhisperを日本語音声に特化して蒸留・軽量化した音声認識モデルのことである。
kotoba-whisper (日本語音声認識モデル)とは（詳しく解説）
kotoba-whisperは、Kotoba Technologiesが開発した日本語特化の音声認識(ASR)モデルで、OpenAIのWhisper large-v3から知識蒸留する手法（distil-whisper系アーキテクチャ）により、推論速度を大幅に高速化しつつ日本語の認識精度を維持した点が特徴とされる。オープンソースで公開されており、Hugging Face経由で利用でき、クラウドAPI型の音声認識サービスと比べてサーバー運用コストを抑えられる選択肢として注目されている。ただし2026年時点の実運用では、話者の訛りや専門用語、雑音の多い会議音声などで認識精度が落ちる場合があり、業務利用時は句読点補正や辞書登録などの後処理が必要になるケースが多いとされる。現場での選び方としては、リアルタイム性重視ならストリーミング対応の軽量モデル、精度重視ならフルサイズのWhisper系モデルと使い分けるのが実務的とされ、GPU環境の有無によるコスト感の違いも選定基準になる。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「kotoba-whisper (日本語音声認識モデル)とは」 https://aipicks.jp/glossary/kotoba-whisper
kotoba-whisper (日本語音声認識モデル)の使用例
- 会議録音（MP3）をkotoba-whisperで文字起こしし、句読点補正後に議事録テンプレへ流し込む。
- コールセンターの通話ログを日次バッチでkotoba-whisperにかけ、キーワード検索用のテキストDBを作る。
