.png){kind=small}
あどりら
6月9日
さん
5月26日
Y.M
5月19日
M.O
5月12日
音声データをPythonの音声認識モデルを使用して文字起こし
- あどりら
- 6月9日
- 読了時間: 4分
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 python.exe to PATH」をチェックし、「Install Now」を選択します。
インストールが完了したら「Close」を選択して完了します。
インストールされていることを確認するため、ターミナルを起動し
「python --version」のコマンドを入力します。
Pythonのバージョンが表示されていればインストール完了です。
VSCodeのインストール
Microsoft公式サイトよりインストーラーをダウンロードしてください。
１．Windows版をクリックするとダウンロードが行われます。
２．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。
「同意する」にチェックを付けます。
順次必要な項目を入力してインストールを行います。
インストールが完了したら「完了」を選択して閉じます。
チェックボックスの「Visual Studio Code を実行する」にチェックが入っていると自動的にVisual Studio Codeが起動します。
VSCodeの設定
１．VSCodeを起動し、拡張機能を開きます。
左側の一番下にあるアイコンをクリックします。
２．日本語化機能をインストールします。
検索ボックスに「japanese」と入力し、候補の中から「Japanese Language Pack for Visual Studio Code」を選択します。右側に表示された「Install」をクリックします。インストール後にVSCodeを再起動します。
３．Python拡張機能のインストール
検索ボックスに「Python」と入力し、候補の中から「Python」を選択します。右側に表示された「Install」をクリックします。
Pythonコード
実際にコードを書いてみます。
１．エクスプローラー（実行フォルダ）の選択
左上のアイコンエクスプローラーを選択し、「フォルダーを開く」をクリックします。
保存先のフォルダーを選択します。
初めて指定するフォルダーには、次のようにセキュリティ表示がされます。このフォルダーにアクセスするには、「はい、作成者を信頼します」をクリックします。
「新しいファイル」アイコンをクリックし、ファイルを作成します。
今回は「test_mojiokoshi.py」と名前を付けます。
２．仮想環境を作ります。
ツールバーの表示からターミナルを選択します。
仮想環境を作成するために以下のコマンドを入力します。
仮想環境を起動するために以下のコマンドを入力します。
pipのアップデートを行うために以下のコマンドを実行します。
openai-whisper (whisper)をインストールします。
OpenAIが提供している音声認識モデルのライブラリです。
インストールのために以下のコマンドを入力します。
３．コード入力
では実際にコードを書いていきます。
最初は変換する音声ファイルを選択するコードです。
以下のコードにてダイアログを表示して音声ファイル(mp3)を選択できるようにします。
次にwhisperを使用して文字起こしを実行します。
文字起こしの精度は指定したモデルによって変わります。
今回はbaseモデルを使用しました。
※「UserWarning: FP16 is not supported on CPU;」という警告が出る場合は、fp16=Falseオプションを追加してください。
出力されたファイルに文字起こしされたデータが保存されていれば成功です。
結果
大規模なモデルの活用により、認識精度の向上が期待できます。
音声の反響が生じている環境下においても、比較的正確な変換が可能であることが確認されました。
一方で、大規模モデルの使用は処理時間の増大を招く傾向にあります。
CPU環境での運用は処理速度が著しく低下するため、実用性の面で課題が残ります。
高精度かつ迅速な処理を実現するためには、高性能なGPUの利用が強く推奨されます。
まとめ
Whisperを活用することにより、わずか十数行のコードで音声の文字起こしを実現することが可能となりました。
得られた文字起こしの結果を基に、AIを用いて内容の要約を行うことも可能です。
既存の文字起こしツールが利用できない環境においても、自作によって迅速に対応できる点は非常に有益です。
音声データの文字起こしを行いたい場合は、本手法の導入を検討される価値は十分にあると考えられます。
コメント