そこで、OpenAIがMITライセンスで公開しているオープンソースの Whisper をインストールし、aacファイルをローカルで文字起こしが可能となり、日本語精度もかなり高く、ThinkPad L380 の CPUでも mediumモデル程度なら変換に、実録画時間の30%増し程度で医学用語も正確に変換され実用範囲。
| モデル | サイズ | 処理速度(目安) | 精度 |
|---|---|---|---|
| tiny | 約75MB | 実時間の1/10以下 | 低い |
| base | 約145MB | 速い | 実時間の1/10程度 |
| small | 約460MB | 実時間の1/4程度 | 実用レベル |
| medium | 約1.5GB | 実時間の1/2程度 | 高い。医療用語などもかなり改善 |
| large-v3 | 約3GB | 実時間の8割程度 | 最高。L380でも十分実用範囲の可能性 |
ディレクトリ構成
/mnt/data/docker/whisper/
├── venv/ # Python仮想環境
├── models/ # Whisperモデル(自動DL)
├── input/ # ここにaacを置く
├── output/ # テキストが出力される
├── done/ # 処理済みaacの移動先
└── transcribe.py # 変換スクリプト
├── venv/ # Python仮想環境
├── models/ # Whisperモデル(自動DL)
├── input/ # ここにaacを置く
├── output/ # テキストが出力される
├── done/ # 処理済みaacの移動先
└── transcribe.py # 変換スクリプト
python3-venvパッケージをインストール
sudo apt install python3.12-venv
Whisper docker以下にインストール
sudo mkdir -p /mnt/data/docker/whisper/{models,input,output,done}
cd /mnt/data/docker/whisper
sudo chown -R $USER:$USER .
python3 -m venv venv
./venv/bin/pip install faster-whisper
スクリプトファイル /mnt/data/docker/whisper/transcribe.py
#!/usr/bin/env python3
"""input/ 内の音声ファイルをffmpegでwav変換後、文字起こしして output/ に出力"""
import os
os.nice(19) # 最低優先度で実行(エンコード等と競合時にCPUを譲る)
import shutil
import subprocess
import tempfile
from pathlib import Path
from faster_whisper import WhisperModel
BASE = Path("/mnt/data/docker/whisper")
INPUT, OUTPUT, DONE = BASE / "input", BASE / "output", BASE / "done"
EXTS = {".aac", ".m4a", ".mp3", ".wav", ".flac"}
model = WhisperModel(
"large-v3", # 速度重視なら "small" "medium"
device="cpu",
compute_type="int8",
download_root=str(BASE / "models"),
)
for audio in sorted(INPUT.iterdir()):
if audio.suffix.lower() not in EXTS:
continue
print(f"処理中: {audio.name}")
# ffmpegで16kHzモノラルwavに変換(Whisper推奨形式)
with tempfile.NamedTemporaryFile(suffix=".wav", delete=False) as tmp:
wav_path = tmp.name
result = subprocess.run(
["ffmpeg", "-y", "-i", str(audio),
"-ar", "16000", "-ac", "1", "-c:a", "pcm_s16le", wav_path],
capture_output=True, text=True,
)
if result.returncode != 0:
print(f"変換失敗: {audio.name}")
print(result.stderr[-500:])
Path(wav_path).unlink(missing_ok=True)
continue
segments, info = model.transcribe(wav_path, language="ja", vad_filter=True)
print(f"音声長: {info.duration:.1f}秒")
out = OUTPUT / f"{audio.stem}.txt"
count = 0
with out.open("w", encoding="utf-8") as f:
for seg in segments:
f.write(f"[{seg.start:7.1f}s] {seg.text.strip()}\n")
count += 1
print(f"完了: {out.name} ({count}セグメント)")
Path(wav_path).unlink(missing_ok=True)
shutil.move(str(audio), DONE / audio.name)
input/ に aacファイルを置いて
cd /mnt/data/docker/whisper time ./venv/bin/python transcribe.py
音声長: 757.5秒
完了: 20260602 金子眼科.txt (101セグメント)
real 9m49.322s
user 37m17.381s
sys 1m24.304s
9分49秒=589秒÷757.5秒=0.777⇒実録画時間の8割程度の処理時間
37分17秒÷9分49秒=3.8⇒ほぼ4コアをフル稼働させていた
Ubuntu Server がエンコード等を動いている時には危ないので、他が忙しいときは譲る、暇なら全力の設定「nos.nice(19)」を付加した。
眼科で説明を受けた医学用語もきちんと変換されてテキストファイルが出来上がった、iPhone の場合は誤字が多かった、まぁAiに要約してもらえば同じ事かもしれないが、スクリプトに病院用とか〇〇会議用のカテゴリーを与えると更に精度が高くなるのは素晴らしい。
出先のスマートフォンでも操作できるように、/etc/samba/smb.conf に以下を追記
[whisper] path = /mnt/data/docker/whisper read only = No create mask = 0644 force user = vafee veto files = /venv/models/
スマートフォン二画面ファイラー「X-plore」に、LAN接続を行い、レコーダーの音声を共有から「/mnt/data/docker/whisper/input」に、コピーして、「Termius」からコマンドを実行すれば、外出先でもテキスト変換が可能となった。
また、発言者を特定して議事録の作成は、Whisper単体では不可だが、WhisperX等の組み合わせで可能になるらしい、これも面白いのかも。
あっ！Geminiならaacファイルを読み込んで要約してくれてたのを忘れていた、それはそれで凄い！！。