Pythonで作る簡易Video Transcript生成ツール（Whisper + FFmpeg）

はじめに

動画から文字起こしをしたいとき、毎回手動で聞き取るのは非常に手間がかかります。今回は Whisper と FFmpeg を組み合わせて、動画ファイルから自動で Video Transcript を生成する簡易パイプラインをPythonで実装してみました。

処理の流れはシンプルです。

動画ファイル → FFmpegで音声抽出 → Whisperで文字起こし → テキスト出力

1. 必要なライブラリのインストール

pip install openai-whisper
brew install ffmpeg  # Macの場合

Whisperは内部でFFmpegを利用するため、事前にFFmpegがパスに通っている必要があります。

2. 動画から音声を抽出する

まずはFFmpegを使って動画ファイルから音声（wav形式）を取り出します。

import subprocess

def extract_audio(video_path: str, audio_path: str = "output.wav"):
    command = [
        "ffmpeg", "-i", video_path,
        "-ar", "16000", "-ac", "1",
        audio_path, "-y"
    ]
    subprocess.run(command, check=True)
    return audio_path

サンプリングレートを16kHz、モノラルに指定しているのは、Whisperが想定する入力形式に合わせるためです。

3. Whisperで文字起こしを実行

音声ファイルができたら、Whisperモデルに渡してVideo Transcriptを生成します。

import whisper

def transcribe_audio(audio_path: str, model_size: str = "base"):
    model = whisper.load_model(model_size)
    result = model.transcribe(audio_path, language="ja")
    return result["text"]

model_sizeはtiny〜largeまで選択可能で、精度と処理速度のトレードオフになります。日本語動画の場合、medium以上を使うと認識精度が安定します。

4. パイプラインとして統合する

最後に、動画パスを渡すだけでVideo Transcriptを出力する関数にまとめます。

def video_to_transcript(video_path: str) -> str:
    audio_path = extract_audio(video_path)
    transcript = transcribe_audio(audio_path)
    return transcript

if __name__ == "__main__":
    text = video_to_transcript("sample.mp4")
    with open("transcript.txt", "w", encoding="utf-8") as f:
        f.write(text)
    print("Video Transcriptの生成が完了しました。")

これで動画ファイル1本を渡すだけで、音声抽出から文字起こしまでを自動化できます。

おわりに

Whisperは無料でローカル実行できるため、API利用料を気にせずVideo Transcriptを量産できるのが大きな利点です。今回は最小構成でしたが、話者分離（Speaker Diarization）やフィラーワード除去を組み合わせると、さらに実用的なツールに拡張できます。次回はその発展版を紹介する予定です。