kotoba-transcribe

日本語の音声・動画を高精度に文字起こしする CLI / GUI ツール（話者分離つき）。

特長

• kotoba-whisper-v2.2: 高精度・話者分離・句読点つき（既定）
• faster-whisper: 高速（話者分離なし）
• iGPU高速化: Intel Arc iGPU (OpenVINO) で文字起こし約4〜5倍（出力はCPUと完全一致）
• 残り時間表示 と 複数ファイルのキュー処理（途中キャンセル可）
• 出力: .txt / .speakers.txt（話者ラベル付き）/ .srt（字幕）

セットアップ

Python 3.11 / Windows。別途 ffmpeg が PATH に必要。

git clone https://github.com/tomo-06-15/kotoba-transcribe.git
cd kotoba-transcribe
py -3.11 -m venv .venv
.venv\Scripts\python.exe -m pip install -r requirements.txt --index-url https://download.pytorch.org/whl/cpu

⚠️ torch/torchaudio は CPU版固定（上げると pyannote が壊れる）。理由と注意は 引継ぎ資料.md セクション3・4を必読。

使い方

GUI

transcribe_gui.bat をダブルクリック → 「追加...」でファイルを選択（複数可）→ 「文字起こし開始」。

CLI

.venv\Scripts\python.exe transcribe.py 会議.m4a
.venv\Scripts\python.exe transcribe.py a.m4a b.m4a c.m4a   # 複数（キュー処理）

主なオプション: --engine kotoba|faster / --num-speakers N / --device cpu|igpu / --output-dir DIR

iGPU高速化（任意）

Intel Arc iGPU を使う場合は別venv .venv-ov と OpenVINO モデルの用意が必要です。手順は 引継ぎ資料.md セクション11を参照。

ドキュメント

セットアップの詳細・依存を固定する理由・speechbrainパッチなどの要点は 引継ぎ資料.md にまとまっています。