OpenAIのWhisperがローカル実行でかなりの認識率

 最近は、音声認識が、無料でしかもローカル実行で正確に認識できるのには驚きました。コマンドラインで実行できるので、アプリの中で活用できてとても便利だと思います。

バッチファイルです。途中のパスを通すところは、ffmpegのあるパスです。

radio2text.bat

@echo off setlocal REM ===== 設定 ===== set WHISPER_MODEL=small set LANG=en REM ===== 引数チェック ===== if "%~1"=="" ( echo Usage: radio2text.bat input_audio exit /b 1 ) set INPUT=%~1 set BASE=%~n1 REM ===== 音声変換 ===== set PATH=D:\video;%PATH% ffmpeg -y -i "%INPUT%" -ac 1 -ar 16000 "%BASE%.wav" REM ===== 文字起こし ===== whisper "%BASE%.wav" ^ --language %LANG% ^ --model %WHISPER_MODEL% ^ --output_format txt echo Done: %BASE%.txt endlocal

.m4aなど、いったん.wavに変換してから処理しています。

LANGはenが英語、jaが日本語　--languageないとどちらも出します

--output_format srt で時間付き字幕

Qt使えば

if (line.contains(QRegularExpression("[ぁ-んァ-ン一-龯]"))) {

    // 日本語

} else {

    // 英語

}

のように分けたりもできそうです。

※なお、準備としては ffmpeg以外に、python3.9以上で

pip install -U openai-whisper

をインストールするだけで動くようです。