はじめに

タイトルの通りです。
某PodCastの番組で知った文字起こしのアプリケーションの動作確認です。
普通に試すのは面白くなかったので、gccのコンテナ上で展開して実行してみました。

※こちらのプログラムをコンテナ上で展開しています

確認環境

windows10 pro
wsl2(20.04.5 LTS (Focal Fossa))
Dockerのバージョン
- Docker version 20.10.18, build b40c2f6
- docker-compose version 1.29.2, build 5becea4c
  ※Docker Desktop ではありません
  ※基本、Docker のバージョンを合わせれば問題ないかと

フォルダ構成

[projectfolder]
 ├─ docker-compose.yml
 ├─ Dockerfile
 ├─ .env
 └─ transcribe.sh

※途中、audio-files と trans-files のフォルダが作成されます（設定内容による）

ファイル

※内容見るのが面倒な方は、以下に置いています

.env

# ユーザー情報(UID,GIDはホストの環境に合わせて)
UID=1000
GID=1000
USERNAME=cppuser
GROUPNAME=cppuser

# コンテナ内作業ディレクトリ
WORKDIR=/usr/src/app

# タイムゾーン
TIMEZONE=Asia/Tokyo

# gccの使用イメージタグ
GCC_IMAGE_TAG=12.2.0-bullseye
# リソース管理
PROJECT_NAME=cpp-whisper
IMAGE_VERSION=1.0

# 音声ファイルフォルダ（ホスト側設定）
AUDIO_FILE_DIR=audio-files
# 文字起こしファイル
TRANS_FILE_DIR=trans-files

# モデル(tiny, tiny.en, base, base.en, small, small.en, medium, medium.en, large)
MODEL_TYPE=small

docker-compose.yml

version: '3'
services:
  app:
    image: ${PROJECT_NAME}:${IMAGE_VERSION}
    build:
      context: .
      args:
        UID: ${UID}
        GID: ${GID}
        USERNAME: ${USERNAME}
        GROUPNAME: ${GROUPNAME}
        WORKDIR: ${WORKDIR}
        GCC_IMAGE_TAG: ${GCC_IMAGE_TAG}
        MODEL_TYPE: ${MODEL_TYPE}
        AUDIO_FILE_DIR: ${AUDIO_FILE_DIR}
        TRANS_FILE_DIR: ${TRANS_FILE_DIR}
    volumes:
        - ./${AUDIO_FILE_DIR}:/var/tmp/${AUDIO_FILE_DIR}
        - ./${TRANS_FILE_DIR}:/var/tmp/${TRANS_FILE_DIR}
    restart: always
    tty: true

Dockerfile

ARG GCC_IMAGE_TAG
FROM gcc:$GCC_IMAGE_TAG

# パッケージ更新＆追加
RUN apt-get update
RUN apt-get install -y vim git git-secrets ffmpeg 

# パラメータ変数
ARG USERNAME
ARG GROUPNAME
ARG UID
ARG GID
ARG WORKDIR
ARG TIMEZONE
ARG MODEL_TYPE
ARG AUDIO_FILE_DIR
ARG TRANS_FILE_DIR
 
# 環境変数
ENV AUDIOFILEPATH=/var/tmp/$AUDIO_FILE_DIR
ENV TRANSFILEPATH=/var/tmp/$TRANS_FILE_DIR

# タイムゾーン設定
ENV TZ $TIMEZONE

# ユーザー追加
RUN groupadd -g $GID $GROUPNAME && \
    useradd -m -s /bin/bash -u $UID -g $GID $USERNAME

# ルートフォルダ作成
RUN mkdir -p $WORKDIR
WORKDIR $WORKDIR

# リソース取得
RUN git clone https://github.com/ggerganov/whisper.cpp.git
# 権限変更
RUN chown -R $UID:$GID $WORKDIR/whisper.cpp

# ファイル参照フォルダ作成
RUN mkdir -p $AUDIOFILEPATH
RUN mkdir -p $TRANSFILEPATH
# 権限変更
RUN chown -R $UID:$GID $AUDIOFILEPATH
RUN chown -R $UID:$GID  $TRANSFILEPATH

# ユーザー切り替え
USER $USERNAME

# 作業ディレクトリ設定
WORKDIR $WORKDIR/whisper.cpp

# 文字起こしファイルコピー
COPY transcribe.sh ./

# モデルダウンロード
RUN bash ./models/download-ggml-model.sh $MODEL_TYPE

# コンパイル
RUN make

transcribe.sh

# 指定拡張子のファイルがあるか
for _audio_file in ${AUDIOFILEPATH}/*.{wav,WAV,aiff,AIFF,aac,AAC,mp3,MP3}; do

    # 指定拡張子がない場合は、以下の処理を行わない
    [ -f "$_audio_file" ] || continue
    
    # 拡張子なしのフォルダ
    _audio_file_name=`basename ${_audio_file} | sed 's/\.[^\.]*$//'`

    # 16kHzのWAVファイルに変換
    ffmpeg -i ${_audio_file} -ar 16000 -ac 1 -c:a pcm_s16le ${AUDIOFILEPATH}/conv_${_audio_file_name}.wav

    # 文字起こし処理実行
    ./main -m models/ggml-small.bin -f ${AUDIOFILEPATH}/conv_${_audio_file_name}.wav -l ja > ${TRANSFILEPATH}/${_audio_file_name}.txt

    # 変換ファイル削除
    rm -f ${AUDIOFILEPATH}/conv_${_audio_file_name}.wav

done

構築＆実行方法

.env を編集します
基本そのままで問題ないですが、モデルの設定は大きなサイズにすると、精度が上がるかと思います（多分）。
GUI、UIDなどは、環境に合わせて変更してください。
カレントディレクトリでコンテナを立てます
```
docker-compose up -d --build
```
※audio-files と trans-files のフォルダが作成されます
作成された audio-files のフォルダで、直下に音声ファイルをおく
※ wav,aiff,aac,mp3 に対応
※ 本来は 16kHz の wav のみしか対応していないが、事前に変換する処理を実行している
以下のコマンドを実行して、文字起こし処理を実行(ホスト側からコンテナ内のシェルファイルを実行)
```
docker exec -ti {コンテナ名} bash transcribe.sh
```

trans-files 以下のフォルダにテキストファイルが作成されている

注意点

MITライセンスなので、こういう使い方でも問題ないかと思いますが、展開は自己責任で、、

気づき

git-secrets をインストールしたら、Dockerfile内でgit clone できるので、わざわざホスト側に展開しなくてもよい
ffmpeg みたいに依存性悪くて(?)確認が出るものは、-f でインストール（いつも付けた方がよい？）
コンテナ内に入らなくても docker exec -ti {コンテナ名} [コマンド] で内部のシェルファイルを実行できる

最後に

C++とか自分でコーディングはあまりしたくないが、処理速度早くて便利なものは多いのかも、、、と思いました。