pip install openai-whisper

brew install ffmpeg

import whisper

# モデルをロード（初回はダウンロードが走る）
model = whisper.load_model("small")

# 文字起こし（language="ja" で日本語を明示するのがポイント）
result = model.transcribe("your_audio.wav", language="ja")

print(result["text"])

text = result["text"]
# 後処理で英語略語を補正
text = text.replace("愛の力", "AIの力")
text = text.replace("アイオーティー", "IoT")
print(text)

UserWarning: FP16 is not supported on CPU; using FP32 instead

#!/usr/bin/env python3
"""
Whisper 文字起こしスクリプト
使い方: python3 transcribe.py 音声ファイル.mp3
オプション:
  --model  tiny / base / small / medium / large (デフォルト: small)
  --lang   言語コード (デフォルト: ja)
  --srt    SRT字幕ファイルも出力する
"""

import argparse
import time
from pathlib import Path
import whisper


def format_timestamp(seconds: float) -> str:
    """秒 → SRT タイムスタンプ形式 (HH:MM:SS,mmm)"""
    hours = int(seconds // 3600)
    minutes = int((seconds % 3600) // 60)
    secs = int(seconds % 60)
    millis = int((seconds % 1) * 1000)
    return f"{hours:02d}:{minutes:02d}:{secs:02d},{millis:03d}"


def transcribe(audio_path, model_name="small", language="ja", output_srt=False):
    audio_path = Path(audio_path)

    print(f"モデル: {model_name}  /  言語: {language}")
    print(f"音声ファイル: {audio_path.name}")
    print("モデルロード中...")

    t0 = time.time()
    model = whisper.load_model(model_name)
    t1 = time.time()
    print(f"ロード完了: {t1 - t0:.1f}秒")

    print("文字起こし中...")
    result = model.transcribe(str(audio_path), language=language)
    t2 = time.time()
    print(f"処理完了: {t2 - t1:.1f}秒  (合計: {t2 - t0:.1f}秒)\n")

    text = result["text"].strip()
    print("=== 結果 ===")
    print(text)

    # テキストファイルに保存
    txt_path = audio_path.with_suffix(".txt")
    txt_path.write_text(text, encoding="utf-8")
    print(f"\nテキスト保存: {txt_path.name}")

    # SRTファイルを出力（オプション）
    if output_srt:
        srt_lines = []
        for i, seg in enumerate(result["segments"], 1):
            start = format_timestamp(seg["start"])
            end = format_timestamp(seg["end"])
            srt_lines.append(f"{i}\n{start} --> {end}\n{seg['text'].strip()}\n")
        srt_path = audio_path.with_suffix(".srt")
        srt_path.write_text("\n".join(srt_lines), encoding="utf-8")
        print(f"SRT 保存: {srt_path.name}")

    return text


if __name__ == "__main__":
    parser = argparse.ArgumentParser(description="Whisper 音声文字起こしツール")
    parser.add_argument("audio", help="音声ファイルパス (mp3/wav/m4a/mp4など)")
    parser.add_argument("--model", default="small",
                        choices=["tiny", "base", "small", "medium", "large"])
    parser.add_argument("--lang", default="ja")
    parser.add_argument("--srt", action="store_true", help="SRT字幕ファイルも出力する")
    args = parser.parse_args()

    transcribe(args.audio, model_name=args.model, language=args.lang, output_srt=args.srt)

# 基本的な使い方
python3 transcribe.py meeting.mp3

# モデルを指定してSRT字幕も出力
python3 transcribe.py video.mp4 --model medium --srt

1
00:00:00,000 --> 00:00:05,000
本日はお日柄もよく皆様のお越しをお待ちしておりました

2
00:00:05,000 --> 00:00:11,880
愛能力を使って音声を文字に変換する技術が近年急速に進歩しています

# 会議録音の文字起こし（mediumで高精度に）
python3 transcribe.py meeting_2026-06-11.m4a --model medium --srt