Whisperで音声の文字起こしをVPSで動かす

※本ページには広告（アフィリエイトプログラム等）が含まれます。モデルの数値は 2026年8月16日時点の whisper.cpp 公式リポジトリの記載、サーバーの出力は同日に運用中の VPS（Debian 12・メモリ 958MB）から採取した実測値です。

メモリ 1GB の VPS で載るのは tiny と base だけ

文字起こしは画像生成と違って CPU だけでも動きます。GPU が無い一般的な VPS でも成立する数少ない用途です。

ただしモデルサイズがメモリで決まります。公式に必要メモリが明記されていて、手元の環境（空きメモリ 468MB）と突き合わせると、現実的に選べるのは tiny と base の 2 つだけでした。small 以上は載りません。

• tiny（必要メモリ 約 273MB）なら 1GB の VPS でも余裕をもって動きます
• base（約 388MB）が実用ラインです
• small（約 852MB）はメモリ 958MB の箱ではほぼ全部を占めてしまいます
• medium（約 2.1GB）と large（約 3.9GB）は物理的に不可能です
• whisper.cpp は整数量子化に対応しているので、必要メモリを下げられます

Whisper と whisper.cpp

依存が無いのが強み

whisper.cpp は公式に「Plain C/C++ implementation without dependencies」と書かれているとおり、依存関係がありません。Python の環境構築が要らないので、Debian 12 の pip 事情に巻き込まれずに済みます。

Debian 12 の Python 事情を避けられる

参考までに、同じ環境で Python 版を使おうとするとここで止まります。

$ python3 -m pip --version
/usr/bin/python3: No module named pip

pip が未導入で、システムの Python も PEP 668 でロックされています。C/C++ 実装ならこの回り道が丸ごと不要です。

GPU が無くても動く

手元の VPS に GPU は載っていません。

$ nvidia-smi
bash: nvidia-smi: command not found

それでも文字起こしは成立します。画像生成との決定的な違いがここです。

モデルサイズと必要メモリ

公式の数値

手元の環境と突き合わせる

$ free -h
               total        used        free      shared  buff/cache   available
Mem:           958Mi       489Mi       123Mi        58Mi       573Mi       468Mi

使えるのは 468MB。この数字を上の表に当てるとこうなります。

スワップがあれば動くことはありますが、モデルの重みをディスクに退避しながら推論することになるので、実用的な速度にはなりません。手元の環境には 4GB のスワップがありますが、これは落ちないための保険であって、足りないメモリを補う手段ではありません。

量子化という手

whisper.cpp は整数量子化に対応しています（Q5_0 などの例が公式に記載）。必要メモリを下げられるので、small を 1GB の箱に載せたいなら最初に検討する手です。精度とのトレードオフになるので、自分の音源で比較してください。

前処理は 16bit WAV / 16kHz

入力の要件

公式には 16-bit WAV files のみ対応と明記されています。MP3 や M4A をそのまま渡しても通りません。

$ ffmpeg -i input.mp3 -ar 16000 -ac 1 -c:a pcm_s16le output.wav

-ar 16000（サンプリングレート 16kHz）、-ac 1（モノラル）、-c:a pcm_s16le（16bit PCM）。この 3 つを揃えるのが定番です。

ffmpeg のメモリにも注意

長時間の音源を変換するとき、ffmpeg 自体もメモリを使います。推論と変換を同時に走らせないようにしてください。1GB の環境では、順番に実行するだけで安定します。

長い音源は分割する

数時間の音源を 1 ファイルで投げると、途中で落ちたときに全部やり直しになります。10 分程度に切ってから順に処理するほうが、失敗したときの被害が小さく済みます。

CPU で足りないときの選択肢

3 つの方向

まとめて処理するなら GPU が合理的

文字起こしは溜めてから一気に処理できるタイプの仕事です。秒課金の GPU とは相性がよく、さくらの高火力 DOK なら V100 が 1 時間 57.6 円（2026年8月16日時点・税込）。処理が終わったら止めれば、そこで課金も止まります。

止め忘れが最大のリスクです。V100 を常時起動すると月 41,472 円になります。GPU の価格感はこちらの記事にまとめています。

常時使うなら上位プラン

毎日決まった量を処理するなら、VPS のメモリを増やすほうが管理は簡単です。さくらの VPS なら 4GB プランが月 3,520 円（税込・2026年8月16日時点）。medium（約 2.1GB）が載る最小の構成になります。

よくある質問

Q1. GPU が無い VPS でも文字起こしできますか？

できます。whisper.cpp は依存関係のない C/C++ 実装で、CPU だけで動きます。手元の環境にも GPU は載っていませんが（nvidia-smi 未インストール）、文字起こしは成立します。画像生成との決定的な違いです。

Q2. メモリ 1GB でどのモデルまで使えますか？

tiny（約 273MB）と base（約 388MB）です。手元の環境の空きメモリは 468MB でした。small は約 852MB 必要なので、物理メモリ 958MB の箱ではほぼ全部を占めることになり現実的ではありません。

Q3. スワップがあれば大きいモデルも動きますか？

動くことはありますが、実用的な速度になりません。モデルの重みをディスクに退避しながら推論することになります。スワップは落ちないための保険であって、足りないメモリを補う手段ではありません。

Q4. MP3 をそのまま渡せますか？

渡せません。16bit の WAV のみ対応です。ffmpeg -i input.mp3 -ar 16000 -ac 1 -c:a pcm_s16le output.wav で、16kHz・モノラル・16bit PCM に変換してから渡してください。

Q5. 精度を上げたいのですが

量子化した大きいモデルを試してください。whisper.cpp は整数量子化に対応しているので、small クラスを 1GB の箱に載せられる可能性があります。精度とのトレードオフになるので、自分の音源で比較するのが確実です。

Q6. まとめて大量に処理したいときは？

秒課金の GPU が合理的です。文字起こしは溜めてから一気に処理できるので、さくらの高火力 DOK なら V100 が 1 時間 57.6 円（2026年8月16日時点・税込）。処理が終われば課金も止まります。止め忘れると常時稼働で月 41,472 円になる点だけ注意してください。

まとめ

文字起こしは、GPU が無い VPS でも成立する数少ない用途です。判断の軸はメモリだけと言っていいくらい、はっきりしています。

1GB の VPS なら tiny（273MB）と base（388MB）で、small 以上は載りません。前処理は 16bit WAV / 16kHz / モノラルに変換してから渡します。大量に処理するなら秒課金の GPU（V100 で 1 時間 57.6 円）が合理的ですが、止め忘れだけは避けてください。

数値は 2026年8月16日時点の公式記載と、同日に運用中の VPS から採取した実測値です。メモリが足りないときの対処はスワップの追加、GPU の価格感は画像生成を VPS でやる話、常駐化はsystemd のユニットファイルにまとめています。