プロジェクト概要

本プロジェクトでは以下の処理をローカル環境で行います：

1. whisperを用いた音声ファイルの文字起こし
2. pyannote-audioを用いた話者分離（Speaker Diarization）
3. 話者ごとの文字起こしを整理・統合し、CSVファイルに出力

ユースケース

• セキュリティ重視の環境で、データを外部に出さずに音声を分析
• 複数人の会話を話者ごとに整理したい場合

事前に必要なもの

1. Hugging Face pyannote.audioのAPIトークン こちらからAPIトークンを取得し.envファイルに記入してください

2. ffmpegのインストール whisperのリポジトリを参照してインストールしてください

3. 必要なライブラリのインストール

$ pip install -r requirement.txt

実行手順

1. 音声ファイルに合わせてconfig.ini を編集する
2. app.batを実行する
3. 結果を確認する 結果は以下の形式で出力されます：
   {音声ファイルの名前}_result/result_{話者情報}_transcription.csv
   ※start, end, speaker, text のカラムをで構成されます
   ※1レコードは、「start から end までの時間でspeakerがtextの内容を発話した」ことを示しますが、文字起こしと話者分離を別々で処理する関係上時間が重なって表示されることがあります

---

config.iniの編集

[FILE]

file_path mp3ファイルのパス

[SPEAKER_INFO]

num_speakers 発言者の数がわかる場合に指定
min_speakers 発言者の数が曖昧な場合の下限
max_speakers 発言者の数が曖昧な場合の上限
※num_speakersが指定された場合、min_speakers及びmax_speakersは指定無しとして読み込まれる

[DEFAULT]

lang 音声の言語
model_size whisperで使用するモデルサイズ:参照
realtime_log 文字起こしの内容表示のON/OFF

---

動作確認環境

OS : Windows10
GPU : GTX 1660 Super
RAM : 16GB
Python 3.10.8