Whistle（ホイッスル）は、話した声を文字にする「音声文字起こし」のAIモデルです。特徴は、その小ささです。モデル全体がわずか16.9MBの1ファイルに収まっています。音声を外部に送らず、スマホや小型機器の中だけで処理する設計で、開発者の間で話題になっています。この記事では、非エンジニアの方にも全体像が伝わるよう、公開されている資料だけをもとに整理します。
Whistleをひとことで言うと？
Whistleは、機器の中だけで声を文字にするための、とても小さな文字起こしAIモデルです。
たとえるなら、通訳や速記の達人を、クラウドの大きなオフィスに呼ぶのではなく、スマホや家電の中に「小さな速記者」として住まわせるようなものです。電話で遠くの専門家に頼むのではなく、手元にいる人に書き取ってもらうイメージです。
なお、これはあくまでたとえです。実際のWhistleは人ではなく、ファイル1つ分のプログラムとデータです。資料によると、ファイルは1つで、CPU（※パソコンやスマホの頭脳にあたる部品）だけで動き、ほかのソフトを追加で用意する必要もありません（Cactus公式ブログ）。
これまでと何が変わるのか
- 身の回りの小さな機器にも、文字起こしを入れやすくなる。 資料は、スマホ、ウェアラブル（身につける機器）、ロボット、スマートホーム、車、マイコン（家電などに入る超小型の計算チップ）を対象に挙げています。
- 音声が外に出にくくなる。 デモの説明では、音声は端末の外に出ないとされています。会話の内容を会社のサーバーに送りたくない場面で、選択肢が増えます。
- 開発する側の手間が減りやすい。 同じ作者が出している別のAI「Needle」と、同じ実行用エンジンで動かせると説明されています。
Whistleとは？誰が作った、どんなもの？
資料のブログは、Cactusというサイト（cactuscompute.com）に掲載されています。そこで「今日Whistleを公開した」と紹介されています。ただし、開発チームの詳しい紹介や、会社の概要は、提供された資料からは分かりません。
中身は「音声を文字に変える専用のAIモデル」です。ChatGPTのような対話型AIと比べると、違いは次のとおりです。
| 比べる点 | ChatGPTなど | Whistle |
|---|---|---|
| 得意なこと | 質問に答える、文章を書く | 声を文字にする |
| 動く場所 | 主にネット上の大きなサーバー | 端末のCPU上（資料による） |
| 大きさ | 非常に大きい | 16.9MB |
ChatGPTの表の内容は一般的な理解にもとづく目安で、資料にはありません。Whistleの列は資料1にもとづきます。
16.9MBは、スマホで撮った写真数枚分ほどの大きさです。音楽なら数曲分にあたります。AIモデルとしてはかなり小さい部類で、これが名前を見かける最大の理由です。
なぜ話題になっているのですか？
話題の中心は「小ささ」と「用途の広さ」です。
音声認識は、これまで大きなモデルをサーバーで動かすのが定番でした。Whistleは、それを小型機器の中に収めようとしています。ブログの題名自体が「Speech to Text in 16.9 MB」で、サイズを前面に出しています。
盛り上がりの場所は、エンジニア向けの掲示板です。今回の参考情報では、Hacker NewsとLobstersの2か所に同じ題名の投稿があり、Hacker Newsの側には949という数値が付いています。この数値は、注目度の目安としてのみ見てください。Whistleの性能や安全性を裏づけるものではありません。
また、ブログには、同じ作者のNeedleと実行エンジンや部品を共有していることが強調されています。「1つのエンジンで文章系と音声系の両方を扱える」という点が、開発者に響いているとみられます。ただし、これは資料からの推測の域を出ません。
何ができて、どんな仕組みなのですか？
1. 声を文字にする（言語は自動判定）
できること：最大30秒までの音声を、一度に文字にします。対応は英語、ドイツ語、フランス語、スペイン語、イタリア語、オランダ語、ポーランド語の7言語です。言語を指定しなければ、自動で判定します。
仕組み：音声は16kHzのモノラルという形式に整えてから処理されます。専門的には、音を細かく区切って「どの周波数の音がどれだけ含まれるか」の表に変えています。その表を、AIが前から順に読み解いて文字にします（Cactus公式ブログ）。
2. 単語ごとの時刻が分かる
できること：文字起こしの結果に、各単語の「開始」「終了」「確からしさ」を付けられます。字幕づくりのように、「この言葉が何秒ごろに話されたか」を知りたい場面に向いた機能です。
仕組み：資料によると、時刻はAIの内部の「どの音に注目したか」という情報から割り出しています。別の時刻合わせの仕組みを足しているわけではありません。
3. 文字にしないで「声の特徴」だけ取り出せる
できること：文字起こしをせずに、音声を数字の列に変えた「エンベディング」（※AIが音の特徴を数字で表したもの）を取り出せます。音声の検索や分類などに使える材料です。
仕組み：音声の前半処理（エンコーダ）の出力を、そのまま返します。資料では、80ミリ秒ごとに1行ぶんの数字が出ると説明されています。80ミリ秒は、まばたき1回よりも短い時間です。
4. 指定した単語を出やすくできる
できること：製品名や人名など、認識してほしい言葉をあらかじめ渡しておくと、その言葉が選ばれやすくなります。
仕組み：AIは文字起こしの候補を同時に5つ追いかけ、最も良いものを選びます。その途中で、渡した言葉に当てはまる候補の点数を少し引き上げます。資料はこの方式を、Aho-Corasickという文字列探索の方法を使うと説明しています（Cactus公式ブログ）。
5. 無音なら何もしない、層の数を選べる
無音の部分では、AIの本処理に入る前に音量を測り、小さければ空の結果を返します。無駄な計算を省く工夫です。
また、処理の後半（デコーダ）は、層の数を2層以上から選んで読み込めます。これは、層の数ごとに別のモデルとして学習されているためです。前半（エンコーダ）の8層は、どの設定でも常に全部動きます。軽さと精度のバランスを調整する余地を残した設計とみられますが、各設定での性能差は資料からは確認できません。
名前が同じ別のものと間違えていませんか？
「Whistle」は一般的な英単語で、検索すると別のものが多く出てきます。今回の資料にも、無関係な話題が混ざっていました。
- ペット用のGPS首輪「Whistle」。 2025年8月のPetPace社のプレスリリース（有料の広告配信）は、Whistleの買収後、首輪が2025年8月31日までに停止されると述べています（Yahoo!ファイナンス）。商品レビューはWIREDにあります。
- 英語の「whistle-blow（内部告発）」。 MITテクノロジーレビュー日本版の記事は、AIエージェントが不正を告発した実験の話で、本記事のWhistleとは関係がありません。
このほか、お菓子や笛、スピリチュアルな話題の記事も同じ語に引っかかります。本記事で扱うのは、あくまで16.9MBの音声文字起こしモデルです。
自分に関係ありますか？ 向いている人・向いていない人
結論から言うと、ほとんどの非エンジニアの方にとって、Whistleは「直接使うアプリ」ではなく、「普段使う機器やアプリの裏側に入るかもしれない部品」です。
向いている人
- スマホ、ウェアラブル、ロボットなどに音声入力を組み込みたい開発者
- 音声を外部に送らずに処理したい企画担当者（実現できるかは今後の検証次第です）
- 小さなAIがどこまで動くかに興味がある技術好きの人
向いていない人、注意が要る人
- 日本語の文字起こしがしたい人。 資料の対応言語に日本語は入っていません。
- 30秒を超える長い会議録を、そのまま文字にしたい人。 資料に書かれている上限は、1回の処理で30秒です。長い音声をどう扱うかは、資料から分かりません。
- 完成したアプリを探している人。 資料にあるのは、モデルの紹介とブログ上のデモです。
将来、あなたのスマホやイヤホンの音声機能の中でWhistleのようなモデルが使われるかもしれません。ただし、それは機器メーカーの選択次第で、資料からは見通せません。
使い方・始め方は？
ここからは実際に触ってみたい人向けです。読み飛ばしても全体像は分かります。
資料で確認できる試し方は、ブログ上の「Whistle sandbox」です。ブラウザのタブ内で動き、手順は次のとおりです。
- ブログのページ（Cactus公式ブログ）を開く
- 言語を選ぶ（自動判定のままでも可）。必要なら、認識させたいキーワードを入れる
- マイクのボタンを押して話す（最大30秒）
初回は16.9MBのモデルがダウンロードされます。以降はブラウザの中で処理されます。
自分のアプリに組み込む手順は、提供された資料からは確認できません。インストール方法、配布場所、サンプルコードも同様です。資料で確認できる設定名は、デコーダの層数を選ぶ--audio-depthだけで、使い方の細かい説明はありません。
エンジニア向けの補足
資料に記載された仕様のうち、主なものは次のとおりです（すべて公式ブログによる）。
- 入力は16kHzモノラル。30秒は48万サンプル。80個のlog-melで、3,000フレームを作る
- 畳み込み層で3回半減し、375フレーム（80ミリ秒に1フレーム）にする
- エンコーダは「Simple Attention」ブロック8層。注意は因果的ではなく、全フレームを同時に見る
- デコーダは幅512の「Laddered Simple Attention」8層。各層でエンコーダを参照するゲート付きクロスアテンションを持つ
- 語彙は8,192個のテキスト片と7個の言語トークン。出力の上限は320トークン
- ビームは5本。クロスアテンションの計算は音声1本につき1回で、ビームごとに繰り返さない
現時点で分かっていないこと・注意点
- 精度（認識の間違いの少なさ）： 資料のブログには、WhistleをWhisper baseとMoonshine tiny v2と比べる単語誤り率（※間違って書き起こされた単語の割合）のグラフがあるようです。ただし、提供された資料は途中で切れており、数値は読み取れません。そのため、本記事では優劣を述べません。なお、資料の説明では、Moonshineは英語のみで、Whisperは一部のテストの結果を公表していないとされています。
- 速さ・メモリ使用量・電池消費： 資料の範囲では確認できません。
- ライセンスと料金： 編集部のメモではオープンソースとされています。しかし、提供された資料からは、ライセンスの種類も、商用利用の条件も、料金体系も確認できません。
- 日本語対応： 対応言語に含まれていません。予定も公表されていません。
- 安全性： 「音声が端末の外に出ない」は、ブログ上のデモについての説明です。Whistleを組み込んだ各製品が同じ設計になる保証はありません。
なお、これらの情報はすべて開発元のブログにもとづくものです。第三者による検証結果は、今回の資料には含まれていません。
まとめ
- Whistleは、声を文字にする音声文字起こしAIで、モデル全体が16.9MBの1ファイルです。
- スマホや小型機器の中で動き、音声は端末の外に出ない設計だと説明されています。
- 対応言語は英独仏西伊蘭波の7つで、日本語は含まれていません。1回の処理は最大30秒です。
- 単語ごとの時刻や、指定した言葉を出やすくする機能もあります。
- 一般の人が直接使うアプリではなく、機器やアプリの裏側に入る部品という位置づけです。
- 精度の数値、ライセンス、料金は、今回の資料では確認できません。使う前に公式情報の確認が必要です。
よくある質問
プログラミングができなくても使えますか？
資料にはブラウザのタブ上で試せるデモ（サンドボックス）があり、マイクのボタンを押して話すと文字になります。コードを書かずに試せますが、アプリとして完成した製品の紹介ではなく、機器やアプリに組み込む部品としての位置づけです。
無料で試せますか？また料金はいくらですか？
ブログのデモは、モデル（16.9MB）をダウンロードして試す形です。デモ自体の利用料は資料に書かれていません。製品に組み込む場合の料金やライセンス条件も、提供された資料の範囲では確認できず、現時点では不明です。
日本語の音声にも対応していますか？
資料が挙げる対応言語は英語、ドイツ語、フランス語、スペイン語、イタリア語、オランダ語、ポーランド語の7つです。日本語は含まれていません。将来の対応予定についても、資料からは確認できません。
音声はインターネット上に送られますか？
ブログのデモの説明では、音声は端末の外に出ないとされています。処理は端末のCPUで行われ、最初にモデルをダウンロードした後は、その端末の中で文字起こしが進む設計です。ただし、組み込む側のアプリが何をするかは別の話です。
ペット用のWhistleや他のWhistleとは同じものですか？
別のものです。16.9MBの音声文字起こしモデルのWhistleとは関係なく、同じ名前でペット用GPS首輪の「Whistle」や、内部告発を意味する英語のwhistleを扱う記事も存在します。検索時は「音声」「文字起こし」を添えると混同を避けられます。
