ブラウザだけで音声認識が完結する時代——WebGPU + Whisper の現状を整理した
# ブラウザだけで音声認識が完結する時代——WebGPU + Whisper の現状を整理した
「その会議の音声、いまどこのサーバーに飛んでますか?」
去年、社内の情シス担当に聞かれて、僕は即答できませんでした。普段使っている AI 議事録ツールは便利だけど、音声データが具体的にどこで処理されているのか、利用規約をちゃんと読んだことがなかったんです。法務レビューに引っかかって、社内導入が止まったこともあります。
この「音声を外に出したくない」というニーズに対して、2026 年の今、ブラウザだけで音声認識を完結させる選択肢が現実的になってきました。鍵を握るのが WebGPU と Whisper の組み合わせです。
この記事では、エンジニアではない僕(元 SaaS セールスです)が調べた範囲で、技術的な仕組みと実用ラインを整理してみます。
結論サマリー(先に書きます)
WebGPU の主要ブラウザ対応が進み、ブラウザ上で GPU 推論が現実的になりました
- Whisper の軽量モデル(tiny / base)であれば、ブラウザ完結の文字起こしが実用域に入っています
- ただし日本語の専門用語精度には限界があり、用途を見極める必要があります
- 機密性が高い音声(法務・医療・経営会議)を扱う場合、ローカル処理は有力な選択肢になります
ここから順番に掘り下げます。
そもそも「ブラウザ完結」とは何か
普通の AI 議事録ツールは、録音した音声をクラウドのサーバーに送って、そこで AI が文字起こしをして、結果をブラウザに返す——という流れです。便利ですが、音声データが一度でも社外サーバーを経由することになります。
これに対して「ブラウザ完結」は、音声データを一切外に出さず、あなたの PC のブラウザの中だけで AI が動いて文字起こしする方式です。データが PC から出ないので、情報漏洩リスクが構造的に下がります。
これを支えている技術が 2 つあります。
WebGPU——ブラウザから GPU を使うための仕組み
ざっくり言うと、ブラウザの中から PC の GPU(画像処理用のチップ)を直接使えるようにする仕様です。これまでブラウザは主に CPU で動いていましたが、AI 推論は GPU の方が圧倒的に速い。WebGPU の登場で、ブラウザでも GPU の力を引き出せるようになりました。
2026 年現在、Chrome と Edge は本番サポート済み、Firefox も段階的に対応中です。StatCounter ベースで Chrome と Edge のデスクトップシェアは合計 70〜75% 程度なので、主要ユーザーのほとんどには WebGPU が届く環境になっています。
Whisper——OpenAI 製の音声認識モデル
OpenAI が 2022 年に公開した音声認識モデルで、オープンソースとして配布されています。サイズ別に複数のバリエーションがあり、
tiny: 約 75MB
- base: 約 145MB
- small: 約 460MB
- medium: 約 1.4GB
- large-v3: 約 1.5GB
ブラウザでダウンロードして動かすことを考えると、現実的には tiny か base が中心になります。large-v3 を毎回 1.5GB ダウンロードさせるわけにはいかないので。
組み合わせると何が起きるか
Hugging Face が公開している Transformers.js というライブラリが WebGPU バックエンドをサポートしたことで、Whisper モデルをブラウザに直接ロードして、GPU で推論できるようになりました。CPU(WASM)で動かしていた頃と比べて、報告されている高速化は 3〜10 倍程度。tiny モデルなら、実時間の 1〜3 倍以内で文字起こしが終わる事例も出ています。
これが「ブラウザ完結 AI 推論」が現実的になった、と言われる理由です。
僕が tiny モデルで盛大にコケた話
仕組みがわかったところで、実際にどこまで使えるのか。正直に書くと、最初に試したときはかなり失敗しました。
エンジニアの友人に教えてもらって、Transformers.js のサンプルを動かして、Whisper tiny で社内の事業企画ミーティングを文字起こししてみたんです。結果、議事録が崩壊しました。
「CAC(顧客獲得コスト)」が「キャック」「カック」「クァック」と毎回違う表記になる
- 「PdM」が「ピーディーエム」「ピディエム」「P でぃーえむ」とブレる
- 取引先の会社名がほぼ全滅(これは仕方ない気もしますが)
Whisper tiny の日本語 WER(単語誤り率)は、一般的な会話音声で 15〜25% 程度と言われています。日常会話ならまだ読めるレベルですが、専門用語・固有名詞が連発される会議では数字以上にキツい。「テキストとしては成立してるけど、何の話か全然わからない」状態になります。
これがブラウザ完結 Whisper の現在地です。「動く」のと「実用に耐える」の間にはまだ距離があります。
ローカル処理 vs クラウド処理——プレイヤー比較
じゃあクラウド型がすべて優れているのかというと、そうでもありません。用途に応じた使い分けが必要です。主要プレイヤーをざっくり整理します。
| サービス | 処理方式 | 強み | 注意点 |
|---|---|---|---|
| Notta | クラウド | 高精度・多言語対応・チーム共有が充実 | 音声データはクラウド処理。機密案件は要確認 |
| Otter.ai | クラウド | 英語精度が高い・Zoom 等との連携が豊富 | 日本語対応は限定的 |
| Tactiq | クラウド(字幕ベース) | Chrome 拡張で手軽・リアルタイム | 会議ツール側の字幕に依存 |
| Meeting Lens | ブラウザ完結(オンデバイス Whisper) | 音声データを外部送信しない・インストール不要 | 新興サービス。専門用語精度はモデル制約あり |
国内 IT・法務担当者向けの調査では、AI ツール導入時の懸念点として「データの外部送信」を挙げる割合がおよそ 60% 前後で推移しています。クラウド型の精度は確かに高いのですが、業界によってはそもそも検討土俵に乗れないこともある、というのが現場の実感です。
Meeting Lens は、まさにこの「音声を外に出したくない」層に向けた設計をしているツールの一例です。WebGPU + Whisper をベースに、専門用語の解説機能を組み合わせています。インストール不要なので、社内の IT 申請を通さなくても試せるのは個人的に大きいと感じています。
選び方の軸——4 つの観点
ツールを選ぶときに、僕が同僚から相談されたら聞く 4 つの観点を整理します。
1. プライバシー要件
「その音声、社外サーバーに送って大丈夫ですか?」を最初に確認します。法務・医療・士業・経営会議のように、内容が外に出ること自体がリスクになる領域なら、ブラウザ完結型が第一候補になります。一般的なマーケ会議や勉強会なら、クラウド型の精度を取った方が合理的なこともあります。
2. 必要な精度
ここが一番難しい。Whisper tiny / base はブラウザで動かすには良いサイズですが、専門用語の多い会議では誤認識が増えます。一方で large 系モデルはブラウザにロードするには重すぎる。「ある程度の誤認識は人間が補正する前提で運用する」覚悟があるかどうかで、ローカル型の使いやすさが変わります。
3. リアルタイム性
会議中に字幕として出したいのか、後から議事録として読めればいいのか。WebGPU + Whisper tiny なら実時間〜数倍程度で処理できますが、PC のスペックに左右されます。古い PC で large モデルを使うのは現実的ではありません。
4. 導入のしやすさ
「IT 部門の審査を通すか」「インストール作業が必要か」も実は大きな要素です。ブラウザ完結型はインストール不要なので、個人レベルで試しやすい。Meeting Lens のように URL を開くだけで使えるタイプは、検証コストが低いです。
用途別おすすめの組み立て方
最後に、ざっくりした用途別の使い分けの考え方を共有します。
機密性の高い会議(経営・法務・人事): ブラウザ完結型を優先。精度の限界は人間レビューで補う前提で運用
- 社外との打ち合わせ・営業ミーティング: 相手の同意が取れるならクラウド型、取れないならブラウザ完結型
- 社内の定例・勉強会: クラウド型の精度を取るのが現実的なことも多い
- 専門用語が多い領域: Meeting Lens のような用語解説機能つきのものを検討。tiny モデル単体だと厳しい場面が増えます
まとめ
WebGPU と Whisper の組み合わせで、ブラウザだけで音声認識を完結させることが、2026 年の今、現実的な選択肢になりました。ただし「動く」と「業務で使える」には距離があり、特に日本語の専門用語精度には限界があります。
機密性とのトレードオフ、精度との折り合いをつけながら、用途別に使い分けるのが落としどころです。「音声を外に出したくない」というニーズが社内にあるなら、一度ブラウザ完結型を触ってみる価値はあると思います。
実際に AI 議事録を試してみたい方は、Meeting Lens の無料トライアルから:
👉 https://meeting.roy-al.co.jp/
次回は、ブラウザ完結型を実際に社内導入したときに法務レビューで聞かれたことを整理する予定です。
※本記事は Meeting Lens 運営の株式会社 RoyAl と関係があるライター(中村秀太)が執筆しています(関係性開示)。
内容は実体験に基づきますが、関係性をご承知の上ご参考ください。
