🎤 GoogleColab_Whisper

Google Colab上でOpenAI Whisperを使用した高精度な音声文字起こしを実現するためのノートブックコレクション。
YouTube動画やローカルファイルから、無料のGPUを活用して簡単に文字起こしを実行できます。

📋 目次

概要
主な機能
利用可能なノートブック
クイックスタート
技術仕様
モデル選択ガイド
詳細設定ガイド
システム要件
トラブルシューティング
ライセンス
貢献

📝 概要

このリポジトリは、OpenAI Whisperを利用した文字起こしタスクを、Google Colabの無料GPUで簡単に実行できるように設計されています。
複数のノートブックが用意されており、YouTube動画のURL指定からローカルファイルの一括処理まで、様々なユースケースに対応しています。

なぜこのツールを使うのか？

✅ 無料で高精度: Google ColabのT4 GPUを無料で活用
✅ 簡単セットアップ: コードのコピー＆ペーストで即実行
✅ 柔軟な入力形式: YouTube URL、プレイリスト、ローカルファイル対応
✅ AI統合: Gemini APIによる自動要約・分析機能搭載
✅ 高速処理: 最適化モデルで従来比2-3倍の速度向上
✅ 日本語対応: 日本語音声の高精度認識

🚀 主な機能

コア機能

機能	説明
🎬 YouTube動画対応	URLを入力するだけで動画から文字起こし。プレイリスト一括処理にも対応
📂 ローカルファイル一括処理	Google Drive内の複数ファイル（音声・動画）を自動処理
🤖 Gemini AI統合	文字起こし結果をGemini APIで要約・分析（9種類のモデルから選択）
🎯 複数モデル対応	用途に応じて最適なWhisperモデルを選択可能（10種類以上）
⚡ VAD（音声区間検出）	無音区間を自動除去して精度向上
🌐 多言語対応	100以上の言語をサポート（自動検出または手動指定）
📊 詳細ログ出力	タイムスタンプ付き処理ログで進捗を確認

サポートされる入力形式

音声ファイル: MP3, WAV, M4A, FLAC, OGG, OPUS
動画ファイル: MP4, MOV, AVI, WMV, MKV, FLV, WEBM

📚 利用可能なノートブック

このリポジトリには以下のノートブックが含まれています。用途に応じて選択してください。

🌟 推奨ノートブック（完成版）

1. 動画URLから高精度文字起こし＆Gemini処理（プレイリスト対応版）

ファイル: notebooks/【完成版】動画URLから高精度文字起こし＆Gemini処理実行（プレイリスト対応版）.ipynb
用途: YouTubeの動画やプレイリストから文字起こし + AI要約
特徴:
- ✅ プレイリスト全体の一括処理
- ✅ Gemini APIによる自動要約・分析
- ✅ モデル選択可能（large-v3-turbo推奨）
- ✅ VADフィルタ搭載
- ✅ 自動クリーンアップ機能
推奨対象: YouTube動画の文字起こし＋AI要約が必要な方

2. 高性能文字起こし実行スクリプト（モデル・量子化選択版）

ファイル: notebooks/【完成版】高性能文字起こし実行スクリプト_(モデル・量子化_選択肢追加版).ipynb
用途: Google Driveのローカルファイル一括処理
特徴:
- ✅ 動画・音声ファイル自動判別
- ✅ 複数ファイルの一括処理（進捗バー表示）
- ✅ モデル・量子化設定のカスタマイズ
- ✅ Gemini統合（オプション）
- ✅ 日本語ファイル名対応
推奨対象: ローカルファイルを大量に処理したい方

3. 安定版：動画URLから高精度文字起こし

ファイル: notebooks/【安定版】動画URLから高精度文字起こし実行スクリプト.ipynb
用途: シンプルなYouTube動画文字起こし
特徴:
- ✅ 最小限の設定で実行
- ✅ 安定性重視
- ✅ 初心者向け
推奨対象: 初めて使う方、シンプルな機能が欲しい方

🔧 その他のノートブック

高性能文字起こし実行スクリプト_(large_v3_turbo対応版).ipynb
large-v3-turbo特化版。最新の高速モデルに最適化
高性能文字起こし実行スクリプト_(動画ファイル自動対応版).ipynb
動画ファイル自動変換対応。FFmpegで自動的に音声抽出
高性能・多機能_文字起こし実行スクリプト.ipynb
多機能版。高度なカスタマイズが可能
文字起こしコード.ipynb
基本機能のみのシンプル版。学習用に最適

📦 旧版ノートブック

【旧版】 フォルダには過去のバージョンが保存されています。互換性が必要な場合のみご利用ください。

🚀 クイックスタート

必要なもの

Googleアカウント
Google Drive（結果保存用）
（オプション）Gemini API Key（AI要約機能を使う場合）
- Google AI Studio で無料で取得可能

基本的な使い方（5分で開始）

ステップ1: ノートブックを開く

このリポジトリの notebooks フォルダから、使いたいノートブックを選択
「Open in Colab」バッジをクリック、またはファイルをGoogle Colabにアップロード

ステップ2: GPU設定を確認

Google Colabで以下の手順を実行：

メニューから ランタイム → ランタイムのタイプを変更
ハードウェアアクセラレータ を T4 GPU に設定
保存 をクリック

重要: GPUを設定しないと処理が非常に遅くなります

ステップ3: セル1を実行（環境構築）

# セル1を実行して必要なライブラリをインストール
# ✓ GPU確認
# ✓ faster-whisper (v1.0.3)
# ✓ yt-dlp (YouTube動画ダウンローダー)
# ✓ ffmpeg (音声・動画処理)
# ✓ google-generativeai (Gemini API)

実行時間: 約1〜2分

ステップ4: セル2を実行（Google Drive接続）

# Google Driveにマウント
from google.colab import drive
drive.mount('/content/drive')

許可を求められたら、アカウントを選択して承認します。

ステップ5: メイン処理セルを実行

各ノートブックのメイン処理セル（@title マーク付き）で以下を設定：

YouTube動画の場合:

video_url = "https://www.youtube.com/watch?v=XXXXX"  # YouTube URL
output_transcript_dir = "/content/drive/MyDrive/Whisper_Transcripts/output"
enable_playlist = True  # プレイリストの場合

ローカルファイルの場合:

drive_audio_input_dir = "/content/drive/MyDrive/Whisper_Transcripts/input"
drive_transcript_output_dir = "/content/drive/MyDrive/Whisper_Transcripts/output"

セルを実行すると、自動で文字起こしが開始されます！

🔧 技術仕様

使用技術

技術	バージョン	説明
OpenAI Whisper	-	音声認識モデル（faster-whisper実装）
faster-whisper	1.0.3	CTranslate2による高速化実装
yt-dlp	最新	YouTube動画ダウンローダー
FFmpeg	-	音声・動画処理ツール
Google Gemini API	-	AI要約・分析エンジン
CUDA	-	GPU加速（Google Colab T4）

アーキテクチャ

YouTube URL / ローカルファイル
        ↓
    yt-dlp / FFmpeg (音声抽出)
        ↓
    WAV形式に変換 (16kHz, モノラル)
        ↓
    faster-whisper (文字起こし)
        ↓
    タイムスタンプ付きテキスト出力
        ↓
   (オプション) Gemini API (要約・分析)
        ↓
    最終結果をGoogle Driveに保存

🎯 モデル選択ガイド

Whisperモデル比較表

モデル	精度	速度	メモリ	処理時間^*	推奨用途
Zoont/faster-whisper-large-v3-turbo-int8-ct2	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	0.5x	最も推奨 - バランス最良
deepdml/faster-whisper-large-v3-turbo-ct2	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐	0.7x	高精度・高速
RoachLin/kotoba-whisper-v2.2-faster	⭐⭐⭐⭐⭐	⭐⭐⭐	⭐⭐	1.0x	日本語特化v2.2 - 日本語最高精度
kotoba-tech/kotoba-whisper-v2.0-faster	⭐⭐⭐⭐⭐	⭐⭐⭐	⭐⭐	1.0x	日本語特化v2.0 - 日本語高精度
large-v3	⭐⭐⭐⭐⭐	⭐⭐⭐	⭐⭐	1.5x	最高精度（やや遅い）
large-v2	⭐⭐⭐⭐	⭐⭐⭐	⭐⭐	1.5x	高精度（安定版）
distil-large-v3	⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐	0.6x	軽量・高速バランス型
medium	⭐⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	0.3x	軽量タスク
small	⭐⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	0.2x	高速処理優先
base	⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	0.1x	最軽量
tiny	⭐	⭐⭐⭐⭐⭐	⭐⭐⭐⭐⭐	0.05x	テスト用

^* 処理時間は音声1時間あたりの目安。0.5x = 30分で処理完了

計算タイプ（Compute Type）

タイプ	説明	推奨モデル	メモリ使用量
int8_float16	量子化最適化（推奨）	int8モデル全般	低
float16	標準精度	float16モデル全般	中
int8	省メモリ	メモリ制約がある場合	最低
float32	最高精度	精度最優先の場合	高

Geminiモデル選択ガイド

以下は利用可能なGeminiモデルの一覧です：

モデル	速度	コンテキスト長	コスト	推奨用途
gemini-flash-latest	⭐⭐⭐⭐⭐	標準	低	最推奨 - 常に最新のFlashモデル
gemini-3.1-pro-preview	⭐⭐⭐	超大規模	高	最高品質の分析・要約
gemini-3.1-flash-lite-preview	⭐⭐⭐⭐⭐	標準	最低	高速・低コスト
gemini-3-flash-preview	⭐⭐⭐⭐	標準	低	バランス型
gemini-2.5-pro	⭐⭐⭐	大規模	高	高度な分析タスク
gemini-2.5-flash	⭐⭐⭐⭐⭐	標準	低	高速処理
gemini-2.5-flash-lite	⭐⭐⭐⭐⭐	標準	最低	超高速・超低コスト
gemini-2.0-flash	⭐⭐⭐⭐	標準	低	安定版・高速
gemini-2.0-flash-lite	⭐⭐⭐⭐⭐	標準	最低	安定版・超高速

推奨: 一般的な用途には gemini-flash-latest を推奨します。常に最新のFlashモデルが自動で使用されます。

📖 詳細設定ガイド

VAD（音声区間検出）設定

VADは無音区間を自動検出・除去して、文字起こし精度を向上させます。

use_vad_filter = True  # VADを有効化
vad_min_silence_duration_ms = 200  # 200ms以上の無音を区切りとして認識

推奨値:

会議・講演: 200-500ms
音楽・歌詞: 100-200ms
ポッドキャスト: 300-500ms
雑音が多い環境: 100-200ms

効果:

✅ 無音部分の誤認識を防止
✅ 文の区切りが自然になる
✅ 処理速度が向上

言語設定

enable_language_specification = True
language_code = "ja"  # 日本語

主要言語コード:

ja: 日本語
en: 英語
zh: 中国語（簡体字）
ko: 韓国語
es: スペイン語
fr: フランス語
de: ドイツ語
it: イタリア語
pt: ポルトガル語
ru: ロシア語

全言語コード一覧（100以上）

Tips:

言語を指定すると、精度が向上します
自動検出でも高精度ですが、明確な言語がある場合は指定を推奨

ビームサイズ調整

beam_size = 5  # 推奨値

設定の目安:

1-3: 高速だが精度低下（テスト・確認用）
5-7: バランス（推奨）
8-10: 高精度だが処理時間増（重要な文書）

faster-whisperのデフォルト: 5（バランスが良い）

プレイリスト処理

YouTubeプレイリスト全体を一括処理できます：

video_url = "https://www.youtube.com/playlist?list=XXXXX"
enable_playlist = True  # プレイリスト全体を処理

個別の動画だけを処理したい場合は enable_playlist = False に設定します。

注意点:

プレイリストの動画数が多い場合、処理時間がかかります
Google Colabの無料プランには時間制限があります（約12時間）

Geminiプロンプト例

要約

gemini_prompt = "以下の書き起こしテキストを、主要なポイント3つに要約してください。"

議事録作成

gemini_prompt = "以下の会議書き起こしから、決定事項とアクションアイテムを抽出してください。"

Q&A抽出

gemini_prompt = "以下の書き起こしから、質問と回答のペアを抽出してください。"

キーワード抽出

gemini_prompt = "以下のテキストから重要なキーワードを10個抽出してください。"

翻訳

gemini_prompt = "以下の日本語テキストを英語に翻訳してください。"

🖥️ システム要件

Google Colab環境（推奨）

GPU: T4 GPU（無料プランで利用可能）
RAM: 12GB以上推奨
ストレージ: Google Drive空き容量（出力ファイル保存用）
ブラウザ: Chrome, Firefox, Safari（最新版推奨）

ローカル実行（非推奨）

ローカル環境で実行する場合:

GPU: NVIDIA GPU（CUDA対応、8GB VRAM以上）
Python: 3.8以上
CUDA: 11.x または 12.x
OS: Windows, Linux, macOS

注意: ローカル実行は環境構築が複雑なため、Google Colabの使用を強く推奨します。

❓ トラブルシューティング

よくある問題と解決方法

1. GPU が認識されない

症状: nvidia-smi でエラーが表示される

解決方法:

ランタイム → ランタイムのタイプを変更
ハードウェアアクセラレータ を T4 GPU に変更
ランタイムを再起動

2. メモリ不足エラー

症状: CUDA out of memory または RuntimeError: Out of memory

解決方法:

軽量モデルに変更: distil-large-v3 または medium
計算タイプを変更: int8_float16
ランタイムを再起動してメモリをクリア

3. YouTube動画のダウンロード失敗

症状: yt-dlp エラー、Unable to extract

解決方法:

# セル1で最新版に更新
!pip install -U yt-dlp

または、動画URLが正しいか確認してください。

4. Gemini APIエラー

症状: API Key invalid または 403 Forbidden

解決方法:

Google AI Studio でAPIキーを取得
正しいキーをコピー＆ペースト（スペースなし）
APIの利用制限・クォータを確認

5. 文字起こし結果が不正確

解決方法:

VADを有効化: use_vad_filter = True
言語を明示: language_code = "ja"
ビームサイズを増やす: beam_size = 7
より高精度なモデルを使用: large-v3 または kotoba-whisper-v2.0（日本語）

6. プレイリストの一部しか処理されない

解決方法:

enable_playlist = True  # 必ず True に設定

また、プレイリストが公開設定になっているか確認してください。

7. Google Driveのマウントに失敗

症状: Mount failed

解決方法:

ブラウザのポップアップブロックを解除
Googleアカウントの権限を許可
ランタイムを再起動してやり直し

8. ファイル名が文字化けする

症状: 日本語ファイル名が「？？？」になる

解決方法:

最新版のノートブックを使用（UTF-8対応済み）
ファイル名に特殊文字を使わない

📝 出力ファイル形式

文字起こし結果（.txt）

元ファイル名: example_video.mp4
処理完了日時: 2026-04-07 12:00:00 (月曜日)
使用モデル: Zoont/faster-whisper-large-v3-turbo-int8-ct2
計算タイプ: int8_float16
VADフィルター: 有効
検出言語: ja (確率: 0.99)

---

[0000.00s -> 0005.23s] こんにちは、今日はプロジェクトの進捗について説明します。
[0005.45s -> 0012.67s] 現在、フェーズ2が完了し、フェーズ3に移行する準備が整いました。
[0013.12s -> 0019.34s] 次回のミーティングは来週月曜日の午後2時です。

タイムスタンプ付きで、読みやすい形式で保存されます。

Gemini処理結果（.txt）

■ 元ファイル名: example_video.mp4
■ 処理実行日時: 2026-04-07 12:05:00 (月曜日)
■ 使用モデル: gemini-flash-latest

---

【要約】

本動画では、プロジェクトの進捗について以下の3点が報告されています。

1. **フェーズ2の完了**: 計画通りにフェーズ2の全タスクが完了し、成果物が納品されました。
2. **フェーズ3への移行**: フェーズ3の準備が整い、来週から本格的に開始予定です。
3. **次回ミーティング**: 来週月曜日14時に進捗確認ミーティングを実施します。

🤝 貢献

バグ報告、機能リクエスト、プルリクエストを歓迎します！

貢献方法

このリポジトリをフォーク
機能ブランチを作成 (git checkout -b feature/amazing-feature)
変更をコミット (git commit -m 'Add amazing feature')
ブランチにプッシュ (git push origin feature/amazing-feature)
プルリクエストを作成

バグ報告

問題が発生した場合は、以下の情報を含めて報告してください：

エラーメッセージの全文
使用したノートブック名
実行環境（Google Colab / ローカル）
再現手順

📄 ライセンス

このプロジェクトはMITライセンスの下で公開されています。
詳細は LICENSE ファイルをご確認ください。

🙏 謝辞

OpenAI Whisper - 音声認識モデル
faster-whisper - 高速化実装
yt-dlp - YouTubeダウンローダー
Google Gemini - AI要約エンジン
Google Colab - 無料GPU環境
CTranslate2 - 高速推論エンジン

📞 サポート

問題が発生した場合:

Issues で既存の問題を検索
新しい問題を報告する際は、エラーメッセージと実行環境を記載してください
USAGE.md で詳細な使い方を確認

📊 統計情報

対応言語: 100以上
対応フォーマット: 13種類（音声6種 + 動画7種）
処理速度: リアルタイムの2-3倍（large-v3-turbo-int8使用時）
精度: WER（単語誤り率）< 5%（日本語標準音声）、< 2.5%（kotoba-whisper-v2.2使用時）
Whisperモデル: 11種類以上（日本語特化モデル2種含む）
Geminiモデル: 9種類

🔄 更新履歴

主な更新内容

✅ faster-whisper v1.0.3対応
✅ Gemini API統合（9モデル対応）
✅ プレイリスト一括処理
✅ VADフィルタ最適化
✅ 日本語特化モデル（kotoba-whisper）追加
✅ エラーハンドリング改善
✅ 自動クリーンアップ機能

最新の変更については、Commits をご確認ください。

⭐ スター

このプロジェクトが役立った場合は、ぜひスターを付けてください！

🎓 関連リソース

Made with ❤️ by Taichi2005

Name		Name	Last commit message	Last commit date
notebooks		notebooks
.gitignore		.gitignore
LICENSE		LICENSE
README.md		README.md
USAGE.md		USAGE.md

Latest commit

History

Folders and files

Repository files navigation

🎤 GoogleColab_Whisper

📋 目次

📝 概要

なぜこのツールを使うのか？

🚀 主な機能

コア機能

サポートされる入力形式

📚 利用可能なノートブック

🌟 推奨ノートブック（完成版）

1. 動画URLから高精度文字起こし＆Gemini処理（プレイリスト対応版）

2. 高性能文字起こし実行スクリプト（モデル・量子化選択版）

3. 安定版：動画URLから高精度文字起こし

🔧 その他のノートブック

📦 旧版ノートブック

🚀 クイックスタート

必要なもの

基本的な使い方（5分で開始）

ステップ1: ノートブックを開く

ステップ2: GPU設定を確認

ステップ3: セル1を実行（環境構築）

ステップ4: セル2を実行（Google Drive接続）

ステップ5: メイン処理セルを実行

🔧 技術仕様

使用技術

アーキテクチャ

🎯 モデル選択ガイド

Whisperモデル比較表

計算タイプ（Compute Type）

Geminiモデル選択ガイド

📖 詳細設定ガイド

VAD（音声区間検出）設定

言語設定

ビームサイズ調整

プレイリスト処理

Geminiプロンプト例

要約

議事録作成

Q&A抽出

キーワード抽出

翻訳

🖥️ システム要件

Google Colab環境（推奨）

ローカル実行（非推奨）

❓ トラブルシューティング

よくある問題と解決方法

1. GPU が認識されない

2. メモリ不足エラー

3. YouTube動画のダウンロード失敗

4. Gemini APIエラー

5. 文字起こし結果が不正確

6. プレイリストの一部しか処理されない

7. Google Driveのマウントに失敗

8. ファイル名が文字化けする

📝 出力ファイル形式

文字起こし結果（.txt）

Gemini処理結果（.txt）

🤝 貢献

貢献方法

バグ報告

📄 ライセンス

🙏 謝辞

📞 サポート

📊 統計情報

🔄 更新履歴

主な更新内容

⭐ スター

🎓 関連リソース

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages