speech-to-text-whisper

Overview

音声データをテキストファイルに文字起こしを行います。

OpenAIのwhisperを使用します。

Directory Configuration

speech-to-text-whisper
├── LICENSE
├── README.md
├── api.py
├── convert.py
├── divide.py
├── m4a_data
│   └── sample
│       └── sample.m4a
├── transcribe_and_save.py
└── transcription
    └── sample
        └── sample.txt

Usage

1. 各種インストール

   • whisperのインストール

     pip install git+https://github.com/openai/whisper.git
     

   • ffmpegのインストール

     pip install ffmpeg-python
     

2. 25MB未満の音声データ(m4a)を用意する

   音声データが25MB以上の場合は、divide.pyを実行して分割する

   divide.pyは、mp3に対応している

   文字起こししたい音声データがm4aで且つ25MBより大きい場合は、convert.pyを実行し、m4a→mp3に変換し、divide.pyを実行し、mp3を分割し、convert.pyを実行し、mp3→m4aに変換する

   convert.pyはm4a→mp3、mp3→m4aに対応している

3. 音声データをm4a_dataディレクトリに配置し、transcribe_and_save.pyを実行

divide.py

• 音声ファイル(mp3)を25MB未満に分割して保存する

変換したいmp3ファイルのパスに合わせて、file_pathを変更してください

convert.py

• 音声ファイルの変換を行う
  • mp3→m4a
  • m4a→mp3

適宜、プログラムを書き換えてください

• 変換したいファイルに対応した関数に変更
• 入出力のファイルパスの変更

transcribe_and_save.py

OpenAIの重み(small, middle, large)を選択し、音声データから文字起こしを行う

• GPUを積んでいないPCではsmallが推奨
  • テスト環境: Geforce RTX 3060 12GB

• input_dirにm4aデータが配置されているディレクトリのパスを設定
• output_dirに文字起こしした内容を書き込むディレクトリのパスを設定

OpenAIの重みは初回実行時にダウンロードされる

2回目以降はそのまま文字起こし実行される

Extra

api.py

OpenAIのAPIを使用して、文字起こしを行う

• 注意点
  • 課金してないとAPI制限に引っかかるので使えない