autosub - 動画自動文字起こし・字幕生成ツール

Whisper AIを使用した日本語動画の自動文字起こしと字幕焼き付けツールです。

特徴

• 🎯 日本語に最適化されたWhisperモデルによる高精度な文字起こし
• 📝 複数形式での出力（テキスト、JSON、SRT字幕）
• 🎬 動画への字幕自動焼き付け
• 📹 .mp4および.MOV形式の動画ファイルに対応
• 🐳 Dockerコンテナによる環境依存の解消
• 💾 モデルキャッシュによる2回目以降の高速起動
• 📦 複数動画のバッチ処理対応
• 🤖 OpenAI APIを使用したAI紹介文生成（オプション）

必要環境

• macOS / Linux
• Docker または Podman
• メモリ: 4GB以上
• ディスク空き容量: 2GB以上（モデルダウンロード用）

インストール

# リポジトリをクローン
git clone https://github.com/yourusername/autosub.git
cd autosub

# Dockerイメージをビルド
make build

使い方

基本的な使用方法

単一ファイルの処理

# 動画ファイルを処理（.mp4 または .MOV）
make run SOURCE=~/Downloads/your_video.mp4
make run SOURCE=~/Downloads/your_video.MOV

複数ファイルのバッチ処理

# スペース区切りで複数ファイルを指定（.mp4と.MOVを混在可能）
make run SOURCE="video1.mp4 video2.MOV video3.mp4"

# またはinputフォルダに直接配置して一括処理
cp *.mp4 *.MOV ./input/
make run

処理が完了すると、output/<ファイル名>/ ディレクトリに以下のファイルが生成されます：

• <ファイル名>.txt - プレーンテキストの文字起こし
• <ファイル名>.json - タイムスタンプ付きのJSON形式
• <ファイル名>.srt - SRT形式の字幕ファイル
• <ファイル名>_with_subs.mp4 - 字幕が焼き付けられた動画
• <ファイル名>_introduction.txt - AI生成の紹介文（OpenAI API設定時のみ）

複数ファイルを処理した場合は、各ファイルごとに個別のフォルダが作成されます。

OpenAI APIを使用した紹介文生成（オプション）

文字起こしから自動で紹介文を生成できます：

# .envファイルを作成
cp .env.example .env
# .envファイルを編集してOpenAI APIキーを設定

# 通常通り実行すると紹介文も生成されます
make run SOURCE=~/Downloads/interview.mp4

Dockerを使用する場合

デフォルトではPodmanを使用しますが、Dockerも使用可能です：

make build ENGINE=docker
make run SOURCE=~/Downloads/your_video.mp4 ENGINE=docker

クリーンアップ

# 生成されたファイルを削除
make clean

モデルの選択

transcribe.py の model_size 変数を編集することで、使用するモデルを変更できます：

• small - 高速だが精度は低め（約500MB）
• medium - バランス型（デフォルト、約750MB）
• large-v2 - 最高精度（約1.5GB）

# transcribe.py
model_size = "large-v2"  # より高精度な文字起こし

変更後は make build を実行してください。

トラブルシューティング

メモリ不足エラー（exit code 137）

システムメモリが不足しています。以下の対策を試してください：

1. より小さいモデル（small）を使用する
2. 他のアプリケーションを終了する
3. スワップメモリを増やす

ネットワークエラー

Podman/Dockerのネットワーク接続に問題がある場合：

# Podman machineを再起動
podman machine stop
podman machine start

モデルダウンロードが遅い

初回実行時はモデルのダウンロードに時間がかかります（medium: 約750MB）。 一度ダウンロードされると ~/.cache/huggingface にキャッシュされ、次回以降は高速に起動します。

技術仕様

アーキテクチャ

1. 入力処理: 動画ファイル（.mp4/.MOV）を input/ ディレクトリにコピー
2. 文字起こし: Whisperモデルで音声を解析
3. 出力生成: テキスト、JSON、SRT形式で保存
4. 字幕焼き付け: FFmpegで動画に字幕を合成

コンテナ設定

• ベースイメージ: Python 3.10-slim
• 主要ライブラリ: faster-whisper, FFmpeg
• 日本語フォント: Noto Sans CJK JP
• メモリ制限: 3GB + 3GBスワップ

最適化

• VADフィルタによる無音部分のスキップ
• beam_size=1による省メモリ化
• int8量子化による高速化
• モデルキャッシュによる再利用

ライセンス

MIT License

貢献

プルリクエストを歓迎します。大きな変更の場合は、まずissueを開いて変更内容について議論してください。

謝辞

• OpenAI Whisper - 音声認識モデル
• faster-whisper - 高速化実装
• FFmpeg - 動画処理