こんにちは、あどりらです。 社内学習にてAIを学ぶきっかけがあり、何から学んでみるかと考えたときに、最初に目についたものが音声の文字起こしでした。 当時社内で会議における議事録作成の負担軽減を目的として、音声録音および変換ツールの導入を検討する意見が挙がっておりました。 そのような折、自作での構築が可能であれば非常に有用であると考え、「文字起こし」に関心を抱きました。 オープンソースとして公開されている複数のモデルを調査したところ、その中でも特に導入の障壁が低いと考えられた「Whisper」を採用し、構築を試みることにいたしました。 これはその時の備忘録です。 開発環境 開発言語：Python 開発エディタ：Visual Studio Code 仕様ライブラリ：whisper Pythonのインストール 公式HPからインストーラーをダウンロードしてください。 Releaseの最新バージョンのDownloadを選択します。 Windowsの64bit版をダウンロードします。 インストーラーをダブルクリックしてインストールを開始します。 「Add p

皆さん、はじめまして。プログラマーのCTです。 日々の業務に打ち込んでいるうちに、気づけば入社からそろそろ2年が経とうとしています。 この2年を振り返ると、最初は右も左も分からなかった状態から、少しずつ仕事を任せてもらえることや自力で解決できることが増えてきた実感があります。 とはいえ、学べば学ぶほど『まだまだ知らないことだらけだな』と痛感する毎日でもあります。 日々勉強中ではありますが、今回はそんな中でAI勉強会で使用したMediaPipeについて紹介できればと思います。 MediaPipeとは MediaPipeは、Googleが開発したオープンソースの機械学習フレームワークで、リアルタイムの映像・音声処理に特化しています。特に、人間の姿勢推定、顔認識、手の検出などのコンピュータビジョンタスクを、高速かつ高精度に実行できることが特徴です。 今回のアプリケーションでは、MediaPipeのHand Landmarker機能を使用しています。この機能により、カメラに映った手の21個の主要な点（指の関節や手のひらの位置）を3次元座標として検出します