音声データをテキストへ：WhisperとPythonで簡単変換のテクニック

はじめに

この記事では、Pythonを使って大きな音声ファイルを分割し、各部分をテキストに変換する方法を紹介します。
これにはopenaiとpydubライブラリを使用し、特にOpenAIのAPI（whisper）を活用して高精度な音声認識を行います。

OpenAIのAPIで文字起こしができるファイル容量の上限は25MBなので、それよりも大きい音声ファイルを扱うときに、ファイルを分割して文字起こしをするプログラムを紹介します。

必要なライブラリのインストール

まず、必要なライブラリをインストールしましょう。
これらのライブラリはPythonの環境によってはデフォルトでインストールされていない可能性があるため、以下のコマンドでインストールしてください。

$ pip3 install tiktoken cohere openai pydub

プログラムのコード

以下が本プログラムの全体のコードです。
このプログラムは、大きな音声ファイルを分割し、それぞれの部分をテキストに変換する機能を持っています。

from openai import OpenAI
from pydub import AudioSegment
import os
import math

# OpenAIのAPIキー設定
OPENAI_API_KEY = "***"
client = OpenAI(api_key=OPENAI_API_KEY)

def split_audio(file_path, size_mb=20):
    """
    指定された音声ファイルを指定されたサイズで分割する。
    :param file_path: 分割する音声ファイルのパス。
    :param size_mb: 分割するサイズ（MB）。
    :return: 分割されたファイルのパスのリスト。
    """
    audio = AudioSegment.from_file(file_path)
    file_size = os.path.getsize(file_path)
    num_parts = math.ceil(file_size / (size_mb * 1024 * 1024))
    length = len(audio)
    part_length = math.ceil(length / num_parts)
    parts = []

    for i in range(num_parts):
        start = i * part_length
        end = min((i + 1) * part_length, length)
        part = audio[start:end]
        part_file_path = f"part_{i + 1}.mp3"
        part.export(part_file_path, format="mp3")
        parts.append(part_file_path)

    return parts

def convert_to_text(file_paths):
    """
    指定された音声ファイルをテキストに変換し、1つのファイルに出力する。
    :param file_paths: 変換する音声ファイルのパスのリスト。
    :return: None
    """
    with open("final_transcript.txt", "w") as final_text_file:
        for i, file_path in enumerate(file_paths):
            with open(file_path, "rb") as audio_file:
                transcript = client.audio.transcriptions.create(
                    model="whisper-1",
                    file=audio_file,
                    response_format="text"
                )
                final_text_file.write(transcript + "\n")

# 使用例
audio_file_path = "/content/240221_1459.mp3"
parts = split_audio(audio_file_path, 20)
convert_to_text(parts)

このコードは、音声ファイルを指定されたサイズで分割し、各部分をテキストに変換する流れを示しています。
特に、split_audio関数は音声ファイルを分割し、convert_to_text関数はそれらをテキストに変換します。

使い方

このプログラムを使用するには、まずOpenAIのAPIキーを設定する必要があります。
APIキーを取得したら、OPENAI_API_KEY変数にキーを設定してください。

次に、変換したい音声ファイルのパスをaudio_file_pathに設定し、プログラムを実行します。
すると、指定された音声ファイルが分割され、それぞれの部分がテキストに変換され、final_transcript.txtに出力されます。

まとめ

このプログラムは、会議の録音、インタビュー、ポッドキャストなど、長い音声をテキストに変換するのに非常に便利です。
PythonとOpenAIを利用して、効率的かつ正確な音声認識を行うことができます。