Whisper Audio Transcription

このプロジェクトは、MP4ファイルから音声を抽出し、Whisperモデルを使用して文字起こしを行うPythonスクリプトです。

必要条件

• Python 3.x
• ffmpeg
• Whisper

インストール

1. ffmpegをインストールし、パスを通します。

   • ffmpegのダウンロードページからダウンロードできます。
   • C:/ffmpeg/binにインストールし、環境変数に追加します。

2. 必要なPythonパッケージをインストールします。

conda create -n whisper-env python=3.11
conda activate whisper-env
conda install numpy=1.26 -y
conda install libuv -y
python -m pip install torch==2.5.1+cxx11.abi torchvision==0.20.1+cxx11.abi torchaudio==2.5.1+cxx11.abi intel-extension-for-pytorch==2.5.10+xpu --extra-index-url https://pytorch-extension.intel.com/release-whl/stable/mtl/us/
pip install openai-whisper

Intel XE GPU を使いたいので、IPEX を使えるようにする必要がある。 https://pytorch-extension.intel.com/installation?platform=gpu&version=v2.5.10%2Bxpu&os=windows&package=pip

が、今のところ使えてない。IPEX 自体が実験的な存在。

使い方

1. スクリプトを実行します。

   python convert_and_transcribe.py input.mp4

2. スクリプトは以下の手順で動作します。

   • MP4ファイルから音声を抽出し、MP3ファイルを生成します。
   • Whisperモデルを使用してMP3ファイルを文字起こしし、テキストファイルを生成します。