YouTube動画文字起こし
OpenAI Whisper と yt-dlp を使って YouTube 動画をテキストに文字起こしします。
概要
このスキルは、yt-dlp を使って 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)と様々なモデルサイズをサポートしており、精度と速度のトレードオフを調整できます。
手順
1. 依存関係のインストール
# whisper と yt-dlp のインストール
pip install openai-whisper yt-dlp
# ffmpeg のインストール確認(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 でダウンロード
yt-dlp -x --audio-format wav -o "%(title)s.%(ext)s" "YOUTUBE_URL"
# MP3 でダウンロード(ファイルサイズ小)
yt-dlp -x --audio-format mp3 -o "%(title)s.%(ext)s" "YOUTUBE_URL"
# 動画 ID をファイル名に使用(特殊文字対策)
yt-dlp -x --audio-format wav -o "%(id)s.%(ext)s" "YOUTUBE_URL"
3. Whisper モデルの選択
| モデル | パラメータ数 | VRAM | 相対速度 | 用途 |
|---|---|---|---|---|
| tiny | 39M | ~1 GB | ~32x | クイック下書き、テスト |
| base | 74M | ~1 GB | ~16x | 高速文字起こし |
| small | 244M | ~2 GB | ~6x | バランス良好 |
| medium | 769M | ~5 GB | ~2x | 高精度 |
| large | 1550M | ~10 GB | 1x | 最高精度 |
英語専用モデル(tiny.en、base.en、small.en、medium.en)は英語のコンテンツに対してより高速です。
4. 文字起こしの実行
CLI の場合:
# 基本の文字起こし(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
# 特定の出力形式
whisper audio.wav --model medium --output_format srt
# 全形式を一度に出力
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 の場合:
import whisper
# モデルのロード(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")
# プレーンテキストの取得
print(result["text"])
# タイムスタンプ付きセグメントの取得
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:
# 一つのコマンドでダウンロードと文字起こし
yt-dlp -x --audio-format wav -o "audio.wav" "YOUTUBE_URL" && whisper audio.wav --model medium --output_format all
6. 代替手段: yt-whisper ツール
よりシンプル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、
smallまたはmediumモデルを使用して速度と精度のバランスを取ってください - 英語専用モデル(
.en接尾辞)は英語のコンテンツに対してより高速かつ高精度です - CUDA 対応の GPU を使用すると文字起こしが劇的に高速化します。CPU でも動作しますが、5〜10倍遅くなります
- 文字起こしが失敗した場合は、ffmpeg が正しくインストールされ、PATH が通っ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、より大きなモデル(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を使用すると一度にすべての形式を取得でき、後から必要なものを選択できます