ローカルWhisper文字起こしツール

このツールは、OpenAIのWhisperモデルをローカル環境で使用して、音声ファイルをテキストに文字起こしします。

特徴

• インターネット接続なしで文字起こしを実行可能（モデルダウンロード後）
• 複数のモデルサイズを選択可能（精度と速度のトレードオフ）
• シンプルなコマンドラインインターフェース

必要なもの (Prerequisites)

• Python: 3.7 以降 (pip を含む)
• ffmpeg: Whisperが様々な音声フォーマットを処理するために必要です。
  • macOS (Homebrew):

    brew install ffmpeg

  • Ubuntu/Debian:

    sudo apt update && sudo apt install ffmpeg

  • Windows: 公式サイト からダウンロードし、実行ファイルへのパスを環境変数に追加してください。

インストール手順 (Installation)

1. リポジトリのクローン:

   git clone <リポジトリURL>
   cd <リポジトリ名>

   または、このリポジトリのファイルをダウンロードして展開します。

2. (推奨) 仮想環境の作成と有効化:

   python -m venv venv
   source venv/bin/activate      # Linux/macOS (bash/zsh など)
   source venv/bin/activate.fish # Linux/macOS (fish)
   # venv\Scripts\activate  # Windows

3. 依存ライブラリのインストール:

   pip install -r requirements.txt

   (このコマンドは whisper-openai などをインストールします)

使い方 (Usage)

基本的なコマンドは以下の通りです。

python transcribe.py <入力音声ファイルパス> [オプション]

例:

# audio/input.m4a をデフォルト設定 (baseモデル) で文字起こし
python transcribe.py audio/input.m4a

# 結果は audio/input.txt に保存される

オプション

• -o <出力ファイルパス>, --output <出力ファイルパス>: 出力テキストファイルのパスを指定します。指定しない場合、入力ファイルと同じディレクトリに <入力ファイル名>.txt として保存されます。

  python transcribe.py audio/input.m4a -o text/output.txt

• -m <モデルサイズ>, --model <モデルサイズ>: 使用するWhisperモデルのサイズを指定します。デフォルトは base です。 利用可能なサイズ: tiny, base, small, medium, large, large-v1, large-v2, large-v3

  # medium モデルを使用
  python transcribe.py audio/input.m4a -m medium

モデルサイズについて

モデル	精度	速度/リソース	特徴
tiny	低	最速/最小	英語向け、非常に高速
base	↓	↓	デフォルト、バランス型
small	↓	↓
medium	↓	↓	高精度、要求リソース増加
large	高	最遅/最大	最高精度 (v1, v2, v3 バリエーションあり)

• モデルサイズが大きいほど、精度は向上しますが、処理時間が長くなり、より多くのメモリ（RAMおよびVRAM）を必要とします。
• 各モデルサイズを初めて使用する際には、モデルファイルのダウンロードが自動的に行われます（数GB単位になることもあります）。

注意点

• 初回実行: 初めてスクリプトを実行する際や、新しいモデルサイズを指定した際には、モデルのダウンロードに時間がかかることがあります。
• 処理時間: 長時間の音声ファイルや、CPUのみで大きなモデルを使用する場合、文字起こしにかなりの時間がかかることがあります。
• GPU高速化: NVIDIA GPUとCUDAが利用可能な環境では、Whisperは自動的にGPUを使用し、処理速度が大幅に向上します。
• ffmpeg: ffmpeg が見つからない場合、スクリプトはエラーを出力して終了します。インストール手順を確認してください。
• モデルファイル: Whisperモデルは .gitignore によってGitの追跡対象から除外されています。モデルは実行時に自動的にダウンロード・キャッシュされるため、リポジトリに含める必要はありません。
• ファイル形式: m4aなど多くの形式に対応していますが、問題が発生する場合は、ffmpeg を使って wav 形式などに変換してから試すことも有効です。

  # 例: ffmpeg を使って m4a を wav に変換
  ffmpeg -i input.m4a output.wav