2026年、Google の音声認識モデル Chirp 3: Transcription が一般提供（GA）になった。話者分離（diarization）と自動言語検出を備えた最新世代の多言語 ASR で、Speech-to-Text API V2 でのみ動く。会議やインタビューの録音を「誰が何を話したか」まで文字にしたい人へ直接効く更新だ。筆者は録音をローカルの Whisper に通して Word へ書き出す文字起こしアプリを自作して日々使っており、この GA を機に、クラウドの Chirp 3 を自分の運用のどこへ足すかを実務目線で並べ直した。
何が GA になったのか
Google は Speech-to-Text の リリースノート で Chirp 3: Transcription の GA を告知した。モデル識別子は chirp_3、US と EU のマルチリージョンで正式提供される。旧世代の Chirp 2 から転写の正確さと速度を引き上げ、次の機能を標準で持つ。
- 話者分離：音声中の声を検出し、話者を番号でラベル付けする。会議録・ポッドキャスト・複数人の通話録音で「誰の発言か」を分けられる。
- 自動言語検出：
language_codes=["auto"]を渡すと、多言語が混ざる音声で言語を自動判定する。 - 内蔵デノイザー：背景音楽や、雨・街頭の雑音を抑えてから転写にかける。
- 自動句読点・大文字化：句読点や大文字化をモデル側が補う。
- モデル適応：最大1,000フレーズの語彙ヒントを与えて固有名詞に強くできる。
対応言語は GA が24ロケール、プレビューが76ロケールで、合わせて100の言語・地域の組み合わせをカバーする。日本語は、話者分離が効く15言語のなかにも入っている。認識メソッドはリアルタイムの StreamingRecognize、1分未満向けの Recognize、1分〜1時間をまとめて処理する BatchRecognize の三つが用意されている。
個人開発の文字起こしにとって、話者分離の標準搭載は素直にありがたい。
話者分離には利用条件がある
気をつけたいのは、話者分離が使える経路が限られる点だ。話者分離が効くのは BatchRecognize と Recognize の二つで、ストリーミングでは動かない。会議を録り終えてからまとめて回す筆者の運用とは噛み合うが、ライブ字幕で発言者を即時に出したい用途だと、この制約が効いてくる。
話者分離は min_speaker_count と max_speaker_count で話者数の見当を渡せる。人数が読める会議なら範囲を絞ると番号のブレが減る。発言が重なるクロストークや相槌の多い雑談は、どの話者分離でも切り分けが難しくなる傾向があり、ここは音源側の録り方（マイクの分離・発話の間）で稼いだほうが結果が安定する。
もう一つ見落としやすい点がある。単語ごとのタイムスタンプと信頼度スコアは安定して取れないと公式ドキュメントが明記している。字幕ファイル（SRT 等）の1語単位で時刻を合わせる処理をクラウド側へ任せきる設計は、現時点だと避けたほうが安全だ。ローカル Whisper が単語タイムスタンプを素直に返すのと、ここで差が出る。
自作ローカル Whisper との使い分け
個人開発でよくある構成は、faster-whisper をローカルで回すやり方だ。Chirp 3 はクラウド API で、話者分離と自動言語検出が最初から入っている。判断軸ごとに並べると、両者の性格がはっきりする。
| 判断軸 | Chirp 3（クラウド API） | ローカル Whisper（自作） |
|---|---|---|
| 話者分離 | 標準搭載（Batch/Recognize・15言語） | pyannote 等の追加実装が要る |
| 多言語混在 | 自動言語検出あり | モデル任せで、混在は工夫が要る |
| オフライン | 不可（音声をクラウドへ送信） | 完全オフラインで完結 |
| プライバシー | 音声が外部へ出る | 端末内で処理し、外へ出さない |
| 単語タイムスタンプ | 安定しない（公式明記） | 素直に取得できる |
| コスト | 分単位の従量課金 | 初期の GPU・電気代のみ |
| 導入 | API キーと V2 への移行が要る | 環境構築の手間はあるが以後は無料 |
機密性やランニングコストを重んじるならローカル Whisper、話者分離や多言語混在の精度を取りにいくなら Chirp 3、という住み分けになる。正解は案件ごとに動く。例えば日本語のなかに英語の製品名や英単語が挟まる技術系の座談会は、自動言語検出のある Chirp 3 が拾いやすい場面だ。逆に、話者が1人で機密度の高いナレーション収録なら、クラウドへ音声を出す理由がほとんど無い。
料金の考え方
料金は分単位の従量課金だ。すべてのユーザーに月60分の無料枠があり、新規顧客には Google Cloud 全体で使える300ドル分のクレジットも付く。急ぎでないバッチ処理を選ぶ「Dynamic Batch」を有効にすると、標準ティアより1分あたり75%安く回せる。標準ティアも使用量が増えると1分あたり0.004ドル前後まで下がる。Chirp 3 個別の正確な単価は変動しうるので、想定する月間の分数を 公式の料金ページ に当てはめて試算するのが確実だ（本記事執筆時点で Chirp 3 個別の単価は要確認）。
例えば月に会議を10時間ぶん文字起こしするなら、無料枠の60分を差し引いた540分を Dynamic Batch で流し、標準の4分の1の単価で処理できる。毎日何時間も回す運用だと、初期投資のあとは電気代だけで動くローカル Whisper が安くなる分岐点が来る。「たまに高精度と話者分離が欲しい」のか「大量を安く回し続けたい」のか、この一問で最初の方針が決まる。
どちらを選ぶか（具体例）
筆者の割り振りはこうだ。
- 複数人の会議・座談会・多言語インタビューを話者ラベル付きで正確に起こす単発案件は Chirp 3。話者分離と自動言語検出の恩恵が最も大きい。
- 医療・法務・社外秘の録音など外に出せない音声は、端末内で完結するローカル Whisper 一択。
- 毎日の議事録や自分用メモのように量が多く機密度が中程度なら、ローカル Whisper で回してコストを固定する。
- SRT 字幕の1語単位で時刻を詰める動画編集は、単語タイムスタンプが安定するローカル Whisper が向く。
コードの側でも切り替えは軽い。Speech-to-Text V2 で Chirp 3 に話者分離と自動言語検出を乗せる骨格はこの程度だ。
# Speech-to-Text V2 で Chirp 3 を使い、話者分離＋自動言語検出を有効化する抜粋
from google.cloud.speech_v2 import SpeechClient
from google.cloud.speech_v2.types import cloud_speech as cs
client = SpeechClient()
config = cs.RecognitionConfig(
language_codes=["auto"], # 言語を自動判定させる
model="chirp_3",
features=cs.RecognitionFeatures(
# 話者分離は Batch / Recognize でのみ有効
diarization_config=cs.SpeakerDiarizationConfig(
min_speaker_count=2,
max_speaker_count=6,
),
enable_automatic_punctuation=True,
),
)
# recognizer には projects/.../locations/us（または eu）を指定する
# ↑フィールド名は公式サンプルで最終確認する
筆者はローカル Whisper を常用の土台に置き、話者分離が決定打になる会議録の案件だけ Chirp 3 を足すハイブリッドに落ち着いた。録音から Word 出力までのローカル構成の作り方は Transcription Studio の作り方 にまとめてある。土台を押さえたうえで、Chirp 3 をどの案件へ足すかを決めるのが現実的だ。
乗り換え前に測る手順
感覚で決めず、同じ音源を並べて実測する。筆者が踏む順序はこうだ。
- 代表的な音源を3〜5本用意：1人・複数人・多言語混在など、実際の用途に近いものを選ぶ。
- 同じ音源を両方へ通す：faster-whisper と Chirp 3（Speech-to-Text API V2）で転写する。
- 3指標で比べる：誤り箇所・処理時間・コスト（Chirp は従量課金、Whisper は電気代／GPU 時間）を並べる。
- 話者分離の要否で重み付け：会議録用途なら、話者分離の有無が決め手になる。
FAQ
Q. 既存の V1 コードから Chirp 3 を呼べる？
呼べない。Chirp 3 は Speech-to-Text API V2 専用だ。V1 で組んだ既存コードからは V2 への移行が要る。
Q. ストリーミングで話者分離したい。
現時点では不可。話者分離は BatchRecognize と Recognize でのみ動く。ライブ字幕で発言者を分けたいなら別手段を検討する。
Q. 雑音の多い録音でも使える？
Chirp 3 は内蔵デノイザーで背景音楽や雨・街頭の雑音を抑えてから転写する。ただし前処理に頼りきらず、録音時にマイクを口元へ寄せる・エアコンの風を避けるといった基本を押さえたほうが、話者分離まで含めた結果が安定する。
Q. ローカル Whisper はもう不要？
用途次第だ。オフライン・機密音声・単語タイムスタンプが要る案件では依然として強みが残る。
まとめ
Chirp 3 の話者分離と自動言語検出は、会議録や多言語インタビューで確かに効く。ストリーミング非対応・単語タイムスタンプの不安定さ・音声をクラウドへ送るコストという制約は残ったままだ。筆者は自作の Whisper 構成を土台として残し、話者分離が決定打になる案件だけ Chirp 3 を足す形にした。同じ音源を両方へ通して案件ごとに測る。それが個人開発者の現実解になる。
