YouTube動画をfaster_whisperを使って高速に文字起こししよう

OpenAI がリリースした、文字起こしが出来る Whisper の高速版、faster_whisper を使って、YouTube 動画を google colab で高速に文字起こしする方法を解説します。

条件

• Google Colab で実行する

  • ランタイム > ランタイムのタイプを変更 > ハードウェア アクセラレータを GPU にすること

• YouTube 動画のダウンロードには yt-dlp を用いる

  • https://github.com/yt-dlp/yt-dlp

• 文字起こしには faster-whisper を用いる

  • https://github.com/guillaumekln/faster-whisper

  • 公式の whisper より省メモリ、同精度で最大4倍高速

手順

以下の手順を google colab で実行してください。

まず、yt-dlp, faster-whisper をインストールします。

!pip install yt-dlp
!pip install faster-whisper

yt-dlp を用いて対象の動画をダウンロードします。url に youtube リンクを入れてください。

from yt_dlp import YoutubeDL

audio_name = "audio.mp3"  #@param {type: "string"}

ydl_opts = {
    "outtmpl": audio_name,
    "format": "bestaudio"
}

url = "https://youtu.be/0t8CH5BAgLY"  #@param {type: "string"}

with YoutubeDL(ydl_opts) as ydl:
    ydl.download([url])

HIKAKINさんのこの動画を文字起こししてみます。

次に、faster-whisper を用いて文字起こしをします。文字起こし結果を出力しながら、ダウンロード用のファイルへの書き込みも行います。

from faster_whisper import WhisperModel

model_size = "large-v2"
model = WhisperModel(model_size, device="cuda", compute_type="float16")

segments, info = model.transcribe(audio=audio_name, beam_size=5)

print(f"Detected language {info.language} with probability {info.language_probability}")

f = open("output.txt", "w", encoding="UTF-8")
for segment in segments:
    print(f"[{segment.start} -> {segment.end}] {segment.text}")
    f.write(f"{segment.text}\n")
f.close()

最後に、出来上がったファイルをダウンロードします。

from google.colab import files
files.download("output.txt")

以上で処理は完了です。煮るなり焼くなり好きに使ってください。

有料部分にはすぐに使える colab のリンクを載せておきます。
自分のドライブにコピーして使ってみてください。