最近、録音を文字に変換する必要がありました。いろいろ探したところ、ネット上のほとんどのツールは有料で、一部の無料ツールはクラウドAPIに依存していたり、CUDA計算をサポートするGPUが必須でした。そこで、Faster Whisperモデルをベースに、普通のCPUでも優れた効果を実現できる音声文字変換の小さなツールを開発することにしました。

使用方法
- プログラムの起動:ファイルをダブルクリックしてツールを開きます。
- モデルを選択:左上で使用したいモデルを選択します。
- 推論方式と精度の設定:左下で推論方式と精度を選択します。CPUでは
int8 モードを推奨します。そのほうが高速です。
- GPU選択に関する注意:お使いのコンピュータにCUDA対応GPUがない場合は、必ずGPUオプションを選択しないでください。そうしないとプログラムがクラッシュする可能性があります。当初はpytorchライブラリでCUDAが利用可能か検出する予定でしたが、パッケージが大きくなりすぎるため、最終的にこの方法は採用しないことにしました。
- モデルのダウンロード:初回使用時にはモデルをダウンロードする必要があります。ダウンロードの進行状況はコンソール(
console)で確認できますので、しばらくお待ちください。
更新とよくある質問
- 1. 互換性の問題:
- このツールはWindows 10 64ビット以降のシステムで動作する必要があり、Windows 7、XPなどの古いバージョンのオペレーティングシステムには対応していません。
- 一部の低価格なPentium、Celeronプロセッサは、必要な命令セットが欠けているため正常に動作しない可能性があります。
- 2. モデルの選択:
- 使用方法
large モデルの場合、精度を float32できます。
- に設定することをお勧めします。他の2つのモデルについては、
int8 精度で問題ありません。
- 3. ネットワークの問題:
- モデルファイルが大きいため、安定したネットワーク接続を確保してください。ダウンロードに失敗する場合は、同じディレクトリにある
models フォルダを削除してから、ダウンロードを再試行することをお勧めします。
上記の回答で問題が解決しない場合は、コメント欄でフィードバックをお寄せください。その際、コンソールの出力内容を添付していただけると、問題解決のお手伝いがよりスムーズになります。ありがとうございます!