録音を外部に送らず韓国語で文字起こしする：whisper.cppの始め方

一時間の会議で必要な要点は数行かもしれません。それを探すために録音を行き来する時間がかかります。文字起こしは原音を捨てるためではなく、確認する箇所を見つけるための索引です。人名、数字、日付が大切なら元の録音を残し、引用する前に聞き直します。モデルの点数より、確認まで含めた時間を減らすことが目的です。

モデル一覧にはbaseとbase.enのような似た名前があります。.enは英語専用なので、韓国語にはbase、small、mediumなどの多言語モデルを選びます。まず普段の録音から五分を切り出し、smallで試してください。明瞭な発話でも固有名詞が崩れるなら、同じ部分を上位モデルでも処理します。大きいモデルほど保存領域と実行メモリを使います。最初から最大のものを取っても、自分の録音に必要かどうかは分かりません。

公式リポジトリを取得したら、cmake -B buildとcmake --build build -j --config Releaseでビルドします。多言語のsmallモデルはsh ./models/download-ggml-model.sh smallで取得します。録音を16kHz、モノラル、16bitのWAVにしたら、./build/bin/whisper-cli -m models/ggml-small.bin -f recording.wav -l ko -otxt -of transcriptで処理できます。できたtranscript.txtを原音と並べて確認しましょう。OSによって準備や実行ファイルの場所が異なる場合は、公式の最新手順を確認してください。

ファイルを開けないことと韓国語を聞き間違えることは別の問題です。公式の簡単な手順ではwhisper-cliに16bit WAVを使います。MP3ならffmpeg -i input.mp3 -ar 16000 -ac 1 -c:a pcm_s16le recording.wavで変換してから再実行します。拡張子をwavに変えるだけでは形式は変わりません。変換後の音を聞き、片方のチャンネルにしか話者がいない録音なら、その声が失われていないか確かめましょう。長い会議の前に短い部分で動作を確認します。

整った文章に見えても、そのまま議事録にはしないでください。社名や金額の単位、否定の一語で意味が変わります。人名、数字、否定表現の箇所に印を付け、原音を聞いて直します。無音や発話の重なりでは、言っていない言葉が入ったり話者を取り違えたりします。単純なテキスト出力だけで話者が確定するわけではありません。修正まで含めて一件終えてから、継続して使うか判断します。

whisper.cppはApple SiliconのMetalと、NVIDIA GPU向けのCUDAビルドに対応します。ただし機材名だけで一時間の録音の処理時間は決まりません。モデル、録音、無音の割合、設定で変わります。同じ五分を同じモデルで二度処理し、二度目の時間と修正箇所を記録します。機材を比べるなら変換と確認の時間も含めましょう。今の機器で毎週の録音を無理なく処理できるなら、文章生成のトークン速度だけを理由にGPUを買う必要はありません。

毎週の録音が積み上がり、処理待ちが仕事を止めるなら機材比較に意味があります。より大きい多言語モデルで実際に修正箇所が減るかも確認してください。空きメモリ、普段のアプリとの併用、保存領域、騒音、電力を候補ごとに見ます。急ぐ部分だけなら先にその区間を処理する方法もあります。機密のためにローカルを選んだなら、入力と結果のフォルダがクラウド同期されないかも確かめましょう。速い機材でも誤認識の確認は必要です。