ポッドキャストの文字起こしについて【OpenAI Whisper】

 著者: 小佐田

小佐田です。

OpenAIのWhisperを利用することによってそれなりに精度がいい文字起こしツールを作ってみました。

使用環境

インストール

Whisperを利用するためにはWhisperそのもののインストールとffmpegのインストールが必要です。以下はMacの時に使用したコマンドです。(それ以外の方はWhisperのGithubのドキュメントを参照してください)

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

使用例

本当に数行の簡単なコードでできてしまいました。サンプルではモデルは”large”というフルサイズのものを使用していますが、長い音声を入れたりすると本当に時間がかかります。ガリレオの文字起こしは1時間くらいかかっています。

import whisper

# 各設定用変数を宣言
soundFilePath = "./sound.m4a"
modelType = "large"

# 音声データの解析
model = whisper.load_model(modelType)
result = model.transcribe(
  soundFilePath,
  fp16=False,
)

# 解析データの出力
for content in result["segments"]:
  print(str(content["start"]), ": ", content["text"])

適当に喋った音声を読み込んでみました。出力は以下の通りです。

0.0 :  おさだです オープンAIのWisperを利用することによって
6.72 :  それなりに精度がいい文字起こしツールを作ってみました
12.48 :  おさだという名前は無限に聞き取ってもらえませんが
17.2 :  使用環境はmacOS 13.2.1 Venturaを使っています
24.08 :  言語はPython 3.8.2 Wisperを連携することで使っています

まとめ

本当にこれだけのコードで文字起こしができてしまうのは本当に技術の進歩を感じますね。後々は議事録などの作成に応用したり、話した内容から単語についての統計をとったりするのも面白いかもしれません。

もちろんラジオの文字起こしなんかも手打ちよりは断然早いと思うので便利ですね。

また何か面白い使い方があればお伝えしようかと思います。

著作権表示

またこの内容のコンテンツがMITライセンスで使えるのもありがたい話ですよね。

Whisper(OpenAI)

MIT License

Copyright (c) 2022 OpenAI

Permission is hereby granted, free of charge, to any person obtaining a copy
of this software and associated documentation files (the "Software"), to deal
in the Software without restriction, including without limitation the rights
to use, copy, modify, merge, publish, distribute, sublicense, and/or sell
copies of the Software, and to permit persons to whom the Software is
furnished to do so, subject to the following conditions:

The above copyright notice and this permission notice shall be included in all
copies or substantial portions of the Software.

THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR
IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY,
FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE
AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER
LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM,
OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE
SOFTWARE.