リアルタイム日英翻訳ウェブアプリ

ローカル環境で動作する日英双方向リアルタイム音声翻訳ウェブアプリケーション

機能

• リアルタイム音声認識（ASR）
• 日英双方向翻訳
• 音声活動検出（VAD）
• Webインターフェース
• WebSocketによるリアルタイム通信
• オフライン動作
• Dockerコンテナ対応

システム要件

最低要件

• CPU: 4コア/8スレッド
• RAM: 8GB
• ストレージ: 5GB

推奨要件（CPU）

• CPU: 8コア/16スレッド
• RAM: 16GB
• ストレージ: 15GB

推奨要件（GPU）

• CPU: 8コア/16スレッド
• RAM: 32GB
• GPU: RTX 4070 8GB / Apple M3 Max 38C
• ストレージ: 30GB

システムアーキテクチャ

sequenceDiagram
    participant User as ユーザー
    participant Browser as ブラウザ
    participant WebSocket as WebSocket
    participant ASR as 音声認識
    participant VAD as 音声活動検出
    participant Translator as 翻訳エンジン
    
    User->>Browser: 音声入力開始
    Browser->>WebSocket: 音声データ送信
    WebSocket->>VAD: 音声活動検出
    VAD->>ASR: 音声認識リクエスト
    ASR->>Translator: テキスト翻訳
    Translator->>WebSocket: 翻訳結果
    WebSocket->>Browser: 翻訳テキスト表示
    Browser->>User: 翻訳結果の表示

インストール

Dockerイメージを使用する場合（推奨）

# Dockerイメージのプル
docker pull terisuke/local-translator:latest

# 環境変数ファイルの作成
cp .env.example .env

# Hugging Face APIトークンの設定
# https://huggingface.co/settings/tokens からトークンを取得
echo "HUGGING_FACE_HUB_TOKEN=your_token_here" >> .env

# Dockerコンテナの実行
docker run --env-file .env -p 8000:8000 terisuke/local-translator:latest

ブラウザで http://localhost:8000 にアクセスしてアプリケーションを使用できます。

環境変数の設定

# .envファイルを作成
cp .env.example .env

# Hugging Face APIトークンを設定
# https://huggingface.co/settings/tokens からトークンを取得
echo "HUGGING_FACE_HUB_TOKEN=your_token_here" >> .env

直接インストールする場合

# リポジトリのクローン
git clone https://github.com/terisuke/local_translator.git
cd local_translator

# 仮想環境の作成と有効化
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate

# 依存関係のインストール
pip install -r requirements.txt

# アプリケーションの起動
uvicorn app:app --host 0.0.0.0 --port 8000

技術スタック

• 音声認識:
  • Faster Whisper (small)
  • Silero VAD (音声活動検出)
• 機械翻訳:
  • NLLB-200-distilled-600M (日英双方向翻訳)
  • SentencePiece (トークナイザー)
• バックエンド: FastAPI + Uvicorn
• リアルタイム通信: WebSockets
• フロントエンド音声処理: Web Audio API + AudioWorkletNode

注意事項

• 初回起動時に必要なモデルが自動的にダウンロードされます
• Hugging Face APIトークンが必要です（モデルのダウンロードに使用）
• 音声認識と翻訳は全てローカルで実行されます

ライセンス

MIT License