動画編集の作業のうち、どこをAIに任せて、どこを人が確かめるかを、作業ごとに書きとめるメモです。運営は動画編集スクール「ブイプロ」（株式会社ブイスト）。ツールの情報には確認した日付を入れます。
faster-whisperは、OpenAIのWhisperのモデルを、より速く動くように作り直したライブラリです。僕のところでも、動画の文字起こしにはfaster-whisperを使っています。この記事では、1時間を超えるような長い動画を文字起こしするときに役立つ「無音の区間を飛ばす設定」を中心に、手順をまとめます。設定の内容は2026年10月21日にfaster-whisperの公式ページ（GitHub）で確認したものです。
長い動画、とくにライブ配信のアーカイブやセミナーの録画には、話していない時間が多く含まれます。開始前の待ち時間、休憩、資料を映しているだけの時間などです。こうした区間をそのまま文字起こしにかけると、処理に時間がかかるうえ、話していないのに文字が出てくるといった乱れが起きることがあります。
そこで使うのが、声のない区間を先に取り除いてから文字起こしをする設定です。
faster-whisperには、Silero VADという「声がある所を見分ける」モデルが組み込まれていて、話していない部分を取り除けます。公式ページに書かれている使い方は次のとおりです。
また、まとめて処理して速くする「バッチ処理」（BatchedInferencePipeline）では、このVADが最初から有効になっていると書かれています。
短い無音まで飛ばすほど速くはなりますが、言葉の頭や語尾まで削ってしまうおそれもあります。最初は初期の設定で試し、乱れが残るときに値を下げていく順番が安全です。
カット編集に文字起こしを使うなら、文ごとではなく単語ごとの時刻があると便利です。faster-whisperでは word_timestamps=True を付けると、単語ごとの時刻が出せます（公式ページで確認）。
ただし、この時刻はあくまでAIの推定です。僕の編集ルールでは、Whisperの時刻はずれることがある前提で、カット点は音の波形を見て決めることにしています。単語の時刻は「だいたいこのあたり」と場所を探す目安に使い、実際に切る位置は波形で確かめてください。
長い動画ほど、1回で全部を見直すのは大変です。次の順で確かめると、見落としを減らせます。
faster-whisperの設定は、速さと正確さの取り合いです。長い動画では無音を飛ばす設定が大きく効きますが、飛ばしすぎていないかを人が確かめる工程まで含めて、1つの作業と考えるのがおすすめです。
1時間を超える動画は、一度に全部を処理するより、意味のまとまりで区切って扱うほうが後の作業がしやすくなります。たとえば次のような順番です。
区切っておくと、途中で処理が止まっても最初からやり直さずに済みますし、直しの作業を人に分けることもできます。文字起こしの結果をAIに要約させる場合も、区切ったまとまりごとに渡したほうが、内容を取りこぼしにくくなります。長い動画ほど、作業を小さく分ける工夫が効いてきます。