はじめに

OpenAIが提供しているWhisper APIで自動文字起こしできるっぽいので試してみました。

価格は2023年7月20日現在、$0.006/分ですのでかなり安いかなと思います。
1時間の音声で大体50円くらいですね。

コード

Dockerでささっとやりたかったので、ChatGPTに聞いて全部書いてもらいました。
docker compose v2使っています。

FROM python:3.9-slim

# 作業ディレクトリを設定
WORKDIR /app

# 必要なパッケージをインストール
RUN apt-get update && apt-get install -y \
  && rm -rf /var/lib/apt/lists/*

# 必要なPythonのパッケージをインストール
RUN pip install openai

# コンテナ起動時に実行されるコマンドを設定
ENTRYPOINT ["python", "/app/whisper.py"]

compose.yml

services:
  web:
    build: .
    volumes:
      - .:/app
    env_file:
      - ./.env

.env

OPENAI_API_KEY=

whisper.py

import openai
import os
openai.api_key = os.getenv("OPENAI_API_KEY")

audio_file= open("./audio.mp3", "rb")
# response_formatを指定することで文字起こしファイルを作成できる。（デフォルトはjson）
transcript = openai.Audio.transcribe("whisper-1", audio_file, response_format="vtt")

with open("output.vtt", "w", encoding="utf-8") as file:
    file.write(transcript)

肝はresponse_format指定するところですね。
詳細は公式ドキュメントを参照してください。

あとは、上記のコードがあるディレクトリに音声ファイルと、空のvttファイルを設置してdocker compose upすれば完了です。

まとめ

かなり簡単に文字起こしできました。
ただし、Whisper APIは25MBまでのファイルサイズしか受け付けていないため、音声品質を下げたり、良いところでファイルを分割したりは必要になるかと思います。