音量が小さい音声でも文字起こしできる！Google ColabでWhisperを使った解決方法

背景：NotebookLMでの文字起こしが失敗

音声ファイルをNotebookLMに突っ込んでみたものの、「音声が小さくて文字起こしできない」というエラーが...。

せっかく録音した音声なのに、これでは困りますよね。そこで、Google ColabとOpenAIのWhisperモデルを使って、自分で文字起こしを実装してみました！

解決策：Google Colab + Whisper + 音量正規化

必要なライブラリのインストール

# 必要なライブラリをインストール
!pip install whisper-openai
!pip install pydub

# 必要なモジュールをインポート
import os
import time
from google.colab import files
from pydub import AudioSegment
import textwrap
import whisper

Whisperモデルの読み込み

# Whisperモデルの読み込み（日本語に最適化するため、mediumモデルを使用。必要に応じてlargeに変更可能）
# モデルサイズ: large > medium > small（精度↑、処理時間↓）
print("Whisperモデルを読み込んでいます。しばらくお待ちください...")
model = whisper.load_model("medium")

音声ファイルのアップロード

# 音声ファイルのアップロード
print("日本語の音声ファイルをアップロードしてください。")
uploaded = files.upload()

文字起こし処理（ポイント：音量正規化）

# 文字起こしの実行
for filename in uploaded.keys():
    print(f"{filename}を処理中...")
    
    # 音声ファイルの形式を確認し、必要に応じて変換
    audio = AudioSegment.from_file(filename)
    
    # 【対応1: 小さな音声を調整】音量を正規化して、音声レベルを均一化
    # 音量が小さすぎる場合、この正規化によって認識精度が向上します
    print(">> 音量を正規化しています...")
    audio = audio.normalize()
    
    wav_filename = filename.rsplit(".", 1)[0] + ".wav"
    audio.export(wav_filename, format="wav")
    
    # 文字起こしの実行（処理時間の計測を追加）
    start_time = time.time()
    # 【対応2: 日本語特化】言語を日本語に明示的に指定（"ja"が推奨）
    print(">> 文字起こしを開始します...")
    result = model.transcribe(wav_filename, language="ja")
    end_time = time.time()
    
    # 処理時間の表示
    print(f"文字起こし処理時間: {end_time - start_time:.2f}秒")
    
    # 文字起こし結果の整形（日本語向けに調整）
    formatted_text = ""
    for segment in result["segments"]:
        text = segment["text"].strip()
        # 日本語の場合、長い行の折り返しは不要な場合が多いため、改行のみとする
        formatted_text += text + "\n\n"
    
    # 結果をファイルに保存
    output_filename = f"transcription_{filename.rsplit('.', 1)[0]}.txt"
    with open(output_filename, "w", encoding="utf-8") as f:
        f.write(formatted_text)
    
    print(f"文字起こし結果を {output_filename} に保存しました")
    
    # ファイルのダウンロード
    files.download(output_filename)
    
    # 一時ファイルの削除
    os.remove(wav_filename)

print("すべての処理が完了しました。")

ポイント解説

1. 音量正規化（`audio.normalize()`）

これが最大のポイント！

audio = audio.normalize()

NotebookLMで文字起こしできなかった原因は「音量が小さすぎる」ことでした。normalize()を使うことで、音声のレベルを均一化し、小さい音声でも認識できるようになります。

2. 日本語の明示的指定

result = model.transcribe(wav_filename, language="ja")

language="ja"を指定することで、Whisperが日本語に最適化された認識を行います。これにより精度が大幅に向上します。

3. mediumモデルの使用

model = whisper.load_model("medium")

モデルサイズは以下から選べます：

tiny: 最速だが精度低い
base: 速くて軽量
small: バランス型
medium: 高精度（おすすめ）
large: 最高精度だが処理時間が長い

日本語の場合、medium以上がおすすめです。

結果

音量が小さくて認識できなかった音声ファイルも、このコードで無事に文字起こしできました！

Google Colab / 音声データ_音量小さくてNotebookLMで文字起こしできない時

まとめ

音声文字起こしで困ったときは：

音量正規化で音声レベルを調整
言語指定で認識精度を向上
適切なモデルサイズを選択

Google Colabなら無料で使えるので、ぜひ試してみてください！

参考リンク: