Macで韓国語の録音を文字起こしするには？WhisperKitの使い方

macOS 14以降とXcode 16以降を用意します。最新ソースのビルドには、リポジトリのPackage.swiftが要求するSwiftツールのバージョンも必要です。Xcodeをインストールしたら、xcodebuild -versionとswift --versionで選択中のツールを確認します。

次のコマンドでソースを取得し、短いWAV録音をmeeting.wavという名前でargmax-oss-swiftフォルダーへ置きます。MP3・M4A・FLACも入力できます。別のファイルを使うときは、続くコマンドの--audio-pathを実際のファイル名に変えてください。実行前に正常に再生されることも確認します。

git clone --depth 1 https://github.com/argmaxinc/argmax-oss-swift.git
cd argmax-oss-swift
xcodebuild -version
swift --version
swift run argmax-cli transcribe --help

WhisperKit は Apple Silicon 向けに Whisper モデルを Core ML に変換して実行する Swift 実装です。WhisperKit を選択したアプリはこの経路で文字起こしを行います。FluidAudio は Parakeet ベースの文字起こしと話者分離³を提供する別の Swift SDK で、README には ANE⁴ 経路が記載されています。

使用するモデルとアプリで、韓国語対応、話者分離、入力ファイル形式を確認します。WhisperKit · FluidAudio

最初はlarge-v3-v20240930_626MBで試せます。モデルの取得には通信と保存先が必要で、準備後に録音を処理します。録音で話した内容がターミナルに出るか確認してください。モデル選択・CLI

swift run argmax-cli transcribe \
  --model large-v3-v20240930_626MB \
  --audio-path ./meeting.wav

韓国語にはbase.en・small.enなどの英語専用版ではなく、多言語モデルを選びます。動作確認だけならtinyを試し、議事録の品質は実用モデルで再評価します。人名、製品名、数字を原音と照合してください。

長い録音を一度にメモリへ読む負担を減らすには--incremental-loadingを付けます。ファイルを小さな区間で読み込みながら処理する機能です。同じファイルの標準実行と比べ、完了時間、メモリプレッシャー、文字起こしを記録します。

swift run argmax-cli transcribe \
  --model large-v3-v20240930_626MB \
  --audio-path ./meeting.wav \
  --incremental-loading

マイク入力はファイルパスの代わりに--streamで試せます。macOSが求めたら実行アプリへマイク権限を許可します。ファイル処理を先に成功させると、モデルと入力機器の問題を切り分けやすくなります。

swift run argmax-cli transcribe \
  --model large-v3-v20240930_626MB \
  --stream

文字起こしが正常に終わったら、使ったCore MLモデルの演算配置も調べます。同じMacのXcode Performanceレポートで、CPU⁵・GPU⁶・ANEがそれぞれどの計算を担当したか分かります。モデルファイルを開く手順はNeural Engineの実行確認ガイドに従ってください。

モデル準備を含む初回と、その後の文字起こしを分けて記録します。速くても人名や金額を間違えると聞き直す手間が増えます。要約前に原音と照合して直し、その文字をLLM⁷へ渡せば誤認識が要約へ引き継がれにくくなります。

Swiftのビルド失敗なら最初のエラーとswift --versionを確認します。取得中なら通信と空き容量、ファイルを開けなければ現在のフォルダーとmeeting.wavの実際の場所を確認します。文字が空なら録音の再生とモデル選択から点検してください。

正常な結果が出たら同じ短い録音をもう一度実行します。それを基準に長いファイル、マイク、要約連携を1つずつ追加してください。待機の原因を見つけやすくなり、現在のMacで足りるか判断できます。