YouTube動画文字起こし
OpenAI Whisperとyt-dlpを使用してYouTube動画をテキストに書き起こします。
概要
このスキルは、yt-dlpを使用してYouTube動画から音声をダウンロードし、OpenAIのWhisperモデルで文字起こしを行います。複数の出力形式(txt、srt、vtt、json)と、さまざまな精度/速度のトレードオフに対応したモデルサイズをサポートしています。
手順
1. 依存関係をインストール
# whisperとyt-dlpをインストール
pip install openai-whisper yt-dlp
# ffmpegがインストールされていることを確認(音声処理に必要)
ffmpeg -version
ffmpegが不足している場合:
- macOS:
brew install ffmpeg - Ubuntu/Debian:
sudo apt install ffmpeg - Windows: https://ffmpeg.org/download.html からダウンロード
2. YouTubeから音声をダウンロード
# 最高品質の音声をWAVとしてダウンロード
yt-dlp -x --audio-format wav -o "%(title)s.%(ext)s" "YOUTUBE_URL"
# MP3としてダウンロード(ファイルサイズ小)
yt-dlp -x --audio-format mp3 -o "%(title)s.%(ext)s" "YOUTUBE_URL"
# 動画IDをファイル名としてダウンロード(特殊文字に安全)
yt-dlp -x --audio-format wav -o "%(id)s.%(ext)s" "YOUTUBE_URL"
3. Whisperモデルを選択
| モデル | パラメータ数 | VRAM | 相対速度 | 使用例 |
|---|---|---|---|---|
| tiny | 39M | ~1 GB | ~32倍 | 簡単な下書き、テスト |
| base | 74M | ~1 GB | ~16倍 | 高速な文字起こし |
| small | 244M | ~2 GB | ~6倍 | 良好なバランス |
| medium | 769M | ~5 GB | ~2倍 | 高い精度 |
| large | 1550M | ~10 GB | 1倍 | 最高の精度 |
英語専用モデル(tiny.en、base.en、small.en、medium.en)は英語コンテンツでより高速です。
4. 文字起こしを実行
CLIアプローチ:
# 基本的な文字起こし(言語自動検出)
whisper audio.wav --model medium
# 言語を指定して精度向上
whisper audio.wav --model medium --language en
# 特定の形式で出力
whisper audio.wav --model medium --output_format srt
# すべての形式を一度に出力
whisper audio.wav --model medium --output_format all
# 出力ディレクトリを指定
whisper audio.wav --model medium --output_dir ./transcripts
Pythonアプローチ:
import whisper
# モデルをロード(初回実行時にダウンロード)
model = whisper.load_model("medium")
# 文字起こし
result = model.transcribe("audio.wav", language="en")
# プレーンテキストを取得
print(result["text"])
# タイムスタンプ付きセグメントを取得
for segment in result["segments"]:
print(f"[{segment['start']:.2f} - {segment['end']:.2f}] {segment['text']}")
5. ワンライナーパイプライン
ダウンロードと文字起こしを組み合わせる:
# ダウンロードと文字起こしを1つのコマンドで
yt-dlp -x --audio-format wav -o "audio.wav" "YOUTUBE_URL" && whisper audio.wav --model medium --output_format all
6. 代替案: yt-whisperツール
より簡単なワークフローには、専用のyt-whisperパッケージを使用:
# インストール
pip install git+https://github.com/m1guelpf/yt-whisper.git
# URLから直接文字起こし
yt_whisper "https://www.youtube.com/watch?v=VIDEO_ID"
# オプション付き
yt_whisper "YOUTUBE_URL" --model medium --language en --output_format srt
出力形式
| 形式 | 拡張子 | 説明 |
|---|---|---|
| txt | .txt | プレーンテキストの文字起こし |
| srt | .srt | SubRip字幕形式(タイムスタンプ付き) |
| vtt | .vtt | WebVTT字幕形式 |
| tsv | .tsv | タブ区切り値 |
| json | .json | 単語レベルのタイムスタンプを含む完全なデータ |
使用例
ガイドライン
- 話されている言語がわかっている場合は、
--languageフラグを使用すると精度が大幅に向上します - 長い動画(1時間以上)の場合は、速度と精度のバランスを取るために
smallまたはmediumモデルを使用してください - 英語専用モデル(
.en接尾辞)は、英語コンテンツに対してより高速かつ高精度です - CUDA対応GPUを使用すると文字起こしが劇的に高速化されます。CPUでも動作しますが、5~10倍遅くなります
- 文字起こしに失敗した場合は、ffmpegが正しくインストールされ、PATHに含まれていることを確認してください
- 背景音楽がある動画の場合、大きいモデル(medium/large)の方がうまく処理できます
- 文字起こし後は音声ファイルを削除してディスク容量を節約してください
--output_format allを使用するとすべての形式を一度に取得し、後で必要なものを選択できます