Whisper Local Transcriber

Copyright (c) 2025 led-mirage

💎 概要

Whisper Local Transcriberは、音声または動画ファイルの音声をテキスト化する便利なツールです。ローカルPCで動作するOpenAI Whisperを使用して高精度の音声認識を行い、結果をテキストファイルに出力します。

会議の録音など長時間の音声データをテキストとして保存したいときに便利です。このツールで音声をテキスト化した後で、出力されたテキストをAIに要約してもらうことで、簡単に議事録などを作成できます。

高性能なハードウェアをお持ちでない場合や、PC負荷を避けたい方は、OpenAIのAPIを利用する Whisper Auto Transcriber をご利用ください（OpenAI APIの利用登録と利用料金が別途必要です）。

💎 主な機能

• ローカル処理: すべての処理がお使いのPCで完結するため、セキュリティが高く、コストも電気代だけで済みます。
• 多様なファイル形式: mp3, m4a, mp4, avi, mov, mkvなど一般的な音声・動画形式に対応しています。
• 動画ファイル対応: 動画ファイルは自動的にffmpegを使って音声に変換されるので、追加作業は不要です。
• 整理された出力: 変換されたテキストはoutputディレクトリに保存され、簡単に見つけることができます。

💎 前提条件

📦 PyTorch

このアプリケーションはOpenAIのWhisperモデルを使用した音声認識を行うため、PyTorchが必要です。

• CPU版: openai-whisperパッケージをインストールする際に自動的に導入されるため、特別な操作は不要です。
• GPU版: 処理を高速化したい場合は、CUDA Toolkitと互換性のあるGPU版PyTorchをインストールする必要があります（詳細は後述）。

処理速度

Whisperは計算負荷の高いモデルです。長時間の録音を処理する場合、GPU版を利用することで処理時間を大幅に短縮できます（GPUの性能に依存します）。以下は実際のテスト結果です。

5分間の音声データの変換時間（turboモデルを使用）：

PyTorch	ハードウェア	処理時間
GPU版	NVIDIA GeForce GTX 1660 SUPER	1分34秒
CPU版	Intel Core i5 12600K	1分53秒

📦 CUDA Toolkit

GPU版PyTorchを使用するには、NVIDIA製GPUと、NVIDIA CUDA Toolkitが必要です。

CUDAがインストールされているか確認する方法

nvcc --version

上記コマンドを実行して情報が表示されれば、CUDAはインストール済みです。

インストール済みの場合は次のように表示されます：

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2023 NVIDIA Corporation
Built on Fri_Nov__3_17:51:05_Pacific_Daylight_Time_2023
Cuda compilation tools, release 12.3, V12.3.103
Build cuda_12.3.r12.3/compiler.33492891_0

この例ではCUDA 12.3がインストールされていることが分かります。

CUDA未インストールの場合

NVIDIA GPUをお持ちでも、上記コマンドでエラーが出る場合はCUDA Toolkitをインストールする必要があります：

1. NVIDIA CUDA Toolkit公式サイトからダウンロード
2. お使いのOSやアーキテクチャに適合するバージョンを選択してインストール
3. インストール後、システムを再起動

📦 FFmpeg

このアプリケーションでは、音声・動画ファイルの処理にFFmpegが必要です。

FFmpegのインストール方法

Windows:

1. FFmpeg公式ダウンロードページからWindows用のビルドをダウンロード
2. ダウンロードしたアーカイブを展開し、任意のフォルダに配置
3. 展開したフォルダ内のbinディレクトリをシステム環境変数のPATHに追加
4. コマンドプロンプトを再起動し、ffmpeg -versionで正常にインストールされたか確認

💡 どれをダウンロードすればいいのか迷ったら: Windows builds by BtbN をクリックして、Assetsの中からffmpeg-n7.1-latest-win64-lgpl-7.1.zipをダウンロードすればOKです（7.1の部分はバージョン番号）。

macOS (Homebrewを使用):

brew install ffmpeg

Ubuntu/Debian:

sudo apt update
sudo apt install ffmpeg

インストール確認

以下のコマンドでFFmpegが正常にインストールされているか確認できます：

ffmpeg -version

📦 Python

このアプリケーションを実行するには、Python 3.8以上が必要です。

バージョン要件

• 最低要件: Python 3.8
• 動作確認済み: Python 3.12.0

注意: Python 3.12.0で動作確認していますが、Python 3.8以上であれば基本的に動作します。ただし、最新の機能や修正を利用するには最新のPythonバージョンを使用することをお勧めします。

💎 アプリケーションのインストール

1. GitHubからソースを取得します：

   git clone https://github.com/led-mirage/whisper-local-transcriber.git

2. プロジェクト用ディレクトリに移動します。

   cd whisper-local-transcriber

3. 仮想環境を作成し、アクティベートします（推奨）：

   # 仮想環境の作成
   python -m venv venv
   
   # 仮想環境の有効化
   # Windows
   venv\Scripts\activate
   # macOS/Linux
   source venv/bin/activate

4. 必要なパッケージをインストールします：

   pip3 install -r requirements.txt

5. ご使用の環境にあったPyTorchをインストールします：

   # PyTorch公式サイト(https://pytorch.org/get-started/locally/)で
   # 自分の環境に合ったコマンドを確認してください
   
   # 例: Windows、Pip、Python、CUDA 12.1の場合のコマンド
   pip3 install torch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 --index-url https://download.pytorch.org/whl/cu121
   
   # CPUを使用する場合は、Whisperにバンドルされているためインストールの必要はありません

環境に合わせたPyTorchインストールコマンドの取得方法:

1. PyTorch公式インストールページにアクセス
2. ご使用の環境に合わせて以下の選択肢から適切なものを選びます：
   • PyTorch Build (安定版推奨)
   • お使いのOS
   • パッケージマネージャー (通常はPip)
   • 言語 (Python)
   • CUDA バージョン (GPUを使用する場合、互換性のあるバージョン)
   • ※互換性のあるCUDAバージョンが見つからない場合はprevious versionsから探してください
3. サイトが自動生成するインストールコマンドをコピーして使用します

注意: 必ず自分の環境に合ったコマンドを使用してください。GPUを搭載したマシンでも、適切なCUDAバージョンを選択しないと正常に動作しない場合があります。

💎 実行方法

1. 起動します：

   python src/main.py
   

2. テキスト化する音声または動画ファイルのパスを入力してEnterキーを押します：

   変換元のファイルのパスを入力してください: c:\temp\test.mp3
   

3. 出力：
   結果はoutputディレクトリ（自動作成）内にテキストファイルとして出力されます。
   ファイル名は[元のファイル名（拡張子を除く）].txtになります。

💎 設定ファイル (settings.ini)

アプリケーションの設定はsettings.iniファイルに書かれています。

Generalセクション

• audio_segment_time: 音声を分割する単位を秒単位で指定します。デフォルトは300秒です。

Whisperセクション

• model: Whisperで使用するモデルの種類を指定します。オプションは、tiny, base, small, medium, large, turboの中から選択できます。turboはLargeモデルの最適化バージョンで、処理速度と精度のバランスがとれたモデルです。また、精度が高いほどモデルサイズが大きくなり初回ロード時間が長くなります。詳しくはWhisperプロジェクトのReadmeをご参照ください。

• prompt: 変換の際の指示をテキストとして指定します。Whisperの場合、プロンプトの意味が解釈されるわけではないので、出力したいテキストの見本となるような文章を記述します。

• newline_after_segment: セグメントごとの出力時に改行を挿入するためのフラグです。Trueに設定すると、各セグメントの出力後に改行が追加されます。

• verbose: Whisperの処理中に詳細なログを出力するかどうかを設定します。Trueに設定すると、処理状況が表示されます。

💎 使用しているライブラリ

🔖 openai-whisper v20240930

ホームページ： https://github.com/openai/whisper
ライセンス： MIT License

🔖 PyTorch

ホームページ： https://pytorch.org/
ライセンス： BSD-3-Clause License

💎 必要な外部ソフトウェア

🔖 FFmpeg

ホームページ： https://ffmpeg.org/
ライセンス： GNU Lesser General Public License (LGPL) v2.1

🔖 NVIDIA CUDA Toolkit (GPU利用時のみ)

ホームページ： https://developer.nvidia.com/cuda-toolkit
ライセンス： NVIDIA CUDA Toolkit License Agreement

💎 ライセンス

© 2025 led-mirage

本アプリケーションは MITライセンス の下で公開されています。詳細については、プロジェクトに含まれる LICENSE ファイルを参照してください。

💎 バージョン履歴

1.0.0 (2025/03/02)

• ファーストリリース