月額課金に頼らないAI活用：無料で“リアルタイム音声入力”をローカル構築する話②（faster-whisper / Windows）

こんにちは。いよいよ実践編。
この記事から読み始めたって場合は、軽くひとつ前の記事を読んでおくことをおすすめする。(ここ押したら読めます)

0. この記事でできるようになること

• CPUだけでリアルタイム音声入力を動かす
  （※この記事では全員ここまで成功させたい）

• 快適運用：F9トグル／ワンクリック起動（ショートカット）／クリップボード復元（※今回は“基本”まで）

本当はGPUを使った「高精度化・高速化」まで一気に書きたかった。
でもGPU周りは環境依存で詰まりやすく、長くなりすぎるので GPU編を第3弾に分ける。
この記事はまず、「動く体験」を優先する。

1. はじめに（初心者以外は読み飛ばしてOK）

前回の記事で「次回、誰でもわかるように解説する」って書いた。
その約束、ちゃんと守りたい。

ただ、全部を1本に詰めると記事が教科書みたいに分厚くなる。
読む側もしんどいし、途中で離脱しやすいよな、と考えてる。
(ここに関しては見通しが甘かった。反省してこれからの記事に活かす。)

だから今回は第2弾として、
“「最短で動かす手順」＋「詰まるポイントとそのリカバリー」”に集中する。

マジ初心者向けの「0からの準備（Python入れる／venv／ターミナル…）」は別で、“準備編”としてまた無料で出す。
↑これからPCでAI技術を活用したいって人には必須級の、土台となるような情報を、初心者向けに詰めて出すからフォローして待ってて。
ここまで読んで「用語が分からん」ってなってても大丈夫。
ちゃんと準備編で回収する。

2. 前提条件

必須

• Windows 11

• Python 3.10.x（俺は3.10.6なので、これから入れるって人は条件をそろえてくれたほうが再現性が高まると思う。）
  ※インストール時に 「Add Python to PATH」 は必ずON

推奨

• NVIDIA GPU（俺のパソコンに入ってるのはRTX 3060）

↑GPU編は第3弾にしようと思う。

この記事ではやらないこと（今度“準備編”として用意します。）

• Pythonのインストールをゼロから解説（スクショ付き手順）

• Windowsの基本操作講座

3. 最短で動かす手順

まずはターミナルを開くところから。↓
エクスプローラーで、作業したい場所を開く。
俺の場合は、外付けのSSD。

この画面でいろいろコマンドを打ち込んでいくことで、必要なデータを集めていく。打ち込むべきコマンドは下に書く手順に示すので、それをコピペして、Enterキーを押していってくれたらOK。

① 作業フォルダを作って移動

ここから、リアルタイム音声入力のシステムを動かすためのデータをまとめるためのフォルダを作る。

mkdir whisper　←　これをコピーして、ターミナルにペースト(貼り付け)する。

cd whisper　←　次はこれを、同じ要領でコピー＆ペーストからのEnter。

②仮想環境（venv）を作る

次に、専用の作業部屋を作る。

py -3.10 -m venv venv　←　コピペEnter。

さっき作ったwhisperってファイルの中に、venvってファイルができたはず。

.\venv\Scripts\activate　←　コピペEnter。
うまいこといくと、行頭に(venv) が付く。

これが出た場合は、
Set-ExecutionPolicy -Scope Process Bypass　←　これをコピペEnter。

そのあと、もう一度
.\venv\Scripts\activate　←　コピペEnter。

③pipを更新する

古いとインストールが失敗する可能性があるので、更新しておく。

python -m pip install --upgrade pip　←　コピペEnter。

④必要なライブラリをまとめて入れる

③の処理が終わって、またコマンドを入力できる状態になったら、
リアルタイム音声入力のシステムを動かすための部品を一括で入れる。

python -m pip install faster-whisper sounddevice numpy pyautogui pyperclip keyboard　←ちょっと長いけど、まとめてコピペEnter。

※ここ、少し時間がかかると思う。気長に待って。
また、コマンドが入力できる状態になったら完了。

⑤スクリプトを置く

ここまでで「部品」は揃った。
次は、それらを動かすスクリプトを whisper フォルダに置く。

今回は俺が作ったスクリプトを配布する。無料でどうぞ。↓

⑥ いよいよ起動！！！

最初に作ったフォルダ、whisperの中に俺のスクリプトを入れ終わったら、またターミナルを開いてもらって、(行頭が(venv)になってることを確認。なってなかったら、さっきの.\venv\Scripts\activateってやつをもう一回。)
そこに、

python voice_input_realtime_cpu_only.py　←　コピペ。

Enterを押すと…

このターミナルを開いた状態で、
ChatGPT、Geminiのチャット欄とか、なんかどこか、とにかく入力できる場所を用意してみてほしい。準備ができたら、F9を押して音声入力モードをONにしてみて。
(F9が効かない場合は、もう一回ターミナル開きなおして、スクリプトを再起動してみてほしい。)

成功判定

• 起動ログが出た

• F9でON/OFFできる

• 入力欄に貼り付く

• Enter（送信）が自動で押されない（誤送信しない）

4. ここまで動けばOK（この先は第3弾）

CPUだけでも「動く」は体験できる。
ただ、精度と速度を本気で求めるなら、やっぱりGPUが必要になる。

次回（第3弾）では、

• GPUで高速化する方法

• 詰まった時の現実的な逃げ道
  までまとめて出す。

もし役に立ったなら、チップで支援してくれたら嬉しい。
その支援で、俺は“武器”を配り続けられる。
次回（第3弾）はGPU編。精度と速度を一気に上げる手順と、詰まった時の逃げ道までまとめて出す。準備編はGPU編の次に書こうかな。

フォローして待ってて。

記事への感想も待ってる。気軽にコメントして。