WhisperSubTranslate

July 13, 2026 · View on GitHub

English | 한국어 | 日本語 | 中文 | Polski

動画をローカルで多言語字幕にします。動画を入れると whisper.cpp で SRT を生成し、バンドルされた Hy-MT2 モデルでオフライン翻訳するか、無料/有料のオンラインエンジンで翻訳します。

このアプリは動画の音声から新しい字幕を作成します(音声認識)。埋め込み字幕トラックの抽出や画面文字の読み取り(OCR)は行いません。

プレビュー

WhisperSubTranslate メイン画面

主な機能

音声認識は 100% ローカルで動作。動画が PC の外に出ず、アカウントもアップロードも不要。
バンドルの Hy-MT2 モデルでオフライン翻訳、または自分のキーでオンラインエンジン(MyMemory, DeepL, OpenAI, Gemini)を利用。
モデル自動ダウンロード。Python のインストールや手動設定は不要。
通常モデルで同期がずれる動画向けの同期補正モデル(large-v2 同期、同期ライト)を搭載。
キュー、リアルタイム進捗、ローカル専用の処理履歴。

はじめに

ユーザー

Releases から最新のポータブル版をダウンロードし、展開して WhisperSubTranslate.exe を実行します。字幕抽出は PC 上で完全オフラインで動作します。翻訳は任意です。

開発者

npm install
npm start

Node.js 20.19 以上または 22.12 以上 (Electron 42 ビルドツールチェーン)
whisper.cpp は npm install 時に自動ダウンロード (Windows は CUDA ビルド、約700MB)
FFmpeg は npm で同梱。選択した GGML モデルは初回使用時にダウンロード

Linux

sudo apt install cmake build-essential git ffmpeg   # Ubuntu/Debian
npm install   # whisper.cpp をソースからビルド
npm start

CUDA 高速化が必要な場合は npm install の前に NVIDIA CUDA Toolkit を入れてください。whisper.cpp の手動ビルド手順は CONTRIBUTING.md にあります。

Windows ビルド

npm run build-win   # 成果物は dist2/ に出力されます

翻訳エンジン

バンドルの Tencent Hy-MT2 モデルで完全オフライン翻訳、または自分の API キーで無料/有料オンラインエンジンを使えます。

エンジン	オフライン	API キー	費用	備考
Hy-MT2 1.8B (ローカル、既定)	はい	不要	無料	約1.13GB、VRAM 2GB / RAM 4GB、オンデバイス
Hy-MT2 7B (ローカル)	はい	不要	無料	約6.16GB、VRAM 8GB / RAM 12GB、大型モデル
MyMemory	いいえ	不要	無料	IP ごとに 1日約5万文字
DeepL	いいえ	必要	月50万文字無料	出力が安定
OpenAI GPT-5.4 mini	いいえ	必要	有料	文脈認識
OpenAI GPT-5.4 nano	いいえ	必要	有料	より安価なティア
Gemini 3 Flash	いいえ	必要	無料 / 低コスト	推奨の低コスト経路 (キー取得)

ローカルの Hy-MT2 エンジンだけが API キーもネットワークも使用料も不要で、セリフが PC の外に出ません。

翻訳品質 (オフラインエンジン)

WhisperSubTranslate は Tencent Hy-MT2 モデル(既定 1.8B、オプション 7B)を同梱しています。Tencent の公式評価では、Hy-MT2 ファミリーは主要な商用翻訳 API と競合し、一部のベンチマークでは上回る結果を示しています。

Tencent Hy-MT2 公式ベンチマーク、WhisperSubTranslate 同梱モデル

出典: Tencent の公式ベンチマーク: Hy-MT2 リポジトリ, 技術レポート, HuggingFace モデル。上のグラフは Tencent 公式 Figure 1 を再描画したもので、同梱モデル(1.8B/7B)の数値は論文の表と照合しています。これらの数値は標準的な機械翻訳ベンチマーク(WildMTBench, WMT25, FLORES-200 など)でモデル自体を測定した結果であり、WhisperSubTranslate アプリ自体を再測定したものではありません。

長い動画(1時間以上)では MyMemory の1日制限で遅くなることがあります。その場合は Gemini、DeepL、設定済みの GPT モデルを使ってください。

音声認識モデル

モデルは必要に応じて _models/ にダウンロードされます。CUDA があれば GPU、なければ CPU で動作します。GPU に合うサイズを選んでください。

モデル	サイズ	VRAM	速度	備考
tiny	約75MB	約1GB	最速	基本
base	約142MB	約1GB	高速	良好
small	約466MB	約1GB	中速	より良い
medium	約1.5GB	約2GB	中速	優秀
large-v3	約3GB	約4GB	低速	文字起こし最高
large-v3-turbo (既定)	約809MB	約2GB	高速	総合的に最も無難
large-v2 同期	約4.4GB	約4.5GB	低速	別エンジン、字幕同期を補正
large-v2 同期ライト	共用	約3GB	低速	同期と同じファイル、int8、低VRAM

同期と同期ライトは別の Faster-Whisper エンジン(初回に一度自動ダウンロード、約4.4GB)を使い、同じモデルファイルを共有するため、一度ダウンロードすれば両方使えます。通常モデルで同期がずれるときだけ使ってください。非英語の動画(日本語、韓国語、中国語)で最も正確で、英語は通常 large-v3-turbo で十分です。

whisper.cpp モデルの VRAM は GGML 最適化基準で、PyTorch Whisper(large 約10GB)よりはるかに少なめです。同期モデルの数値は Faster-Whisper ベンチマーク基準です。

言語サポート

UI: 韓国語、英語、日本語、中国語、ポーランド語
翻訳対象(15言語): ko, en, ja, zh, es, fr, de, it, pt, ru, hu, ar, pl, tr, fa
音声認識: whisper.cpp で100言語以上

データ保存

すべてのデータはユーザーフォルダにローカル保存され、アップロードされません。

データ	場所
設定と API キー	`%APPDATA%\whispersubtranslate\translation-config-safe.json`
処理履歴	`%APPDATA%\whispersubtranslate\history.json` (最大200件)
エラーログ	`%APPDATA%\whispersubtranslate\logs\errors.log`
モデル	`_models/` (アプリフォルダ)

API キーは OS のセキュア保存でローカルに保存され、設定ファイルは Git にも配布物にも含まれません。処理履歴は任意で(設定で切替)、最大200件まで保持されます。