mp4からwindowsローカル環境で文字起こしする

OpenAI Whisperを使いましょう

Python のインストール

FFmpeg のインストール

以下サイトから Windows 用ビルドを ZIP 形式でダウンロード

www.gyan.dev

ZIP を適当なフォルダ（例： C:\tools\ffmpeg）に展開

システム環境変数 PATH に C:\tools\ffmpeg\bin を追加

# PATH 追加後、PowerShell を再起動して確認
ffmpeg -version
# → バージョン情報が表示されれば OK

CUDA 11.8 が動作するかどうか確認

powershell

nvidia-smi

CUDA Version: の項目を確認する

PyTorch（＋CUDA）と Whisper のインストール

CPUのみ

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

CUDA 11.8対応 GPU がある場合

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

その後、Whisper をインストール

pip install --upgrade pip
pip install git+https://github.com/openai/whisper.git

文字起こしするpyファイル作成

generate_subtitles.py

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import whisper
import argparse
import os

def format_timestamp(seconds: float) -> str:
    """SRT 用のタイムスタンプに変換 (hh:mm:ss,mmm)"""
    hours = int(seconds // 3600)
    minutes = int((seconds % 3600) // 60)
    secs = int(seconds % 60)
    milliseconds = int((seconds - int(seconds)) * 1000)
    return f"{hours:02}:{minutes:02}:{secs:02},{milliseconds:03}"

def write_srt(segments: list, filepath: str):
    """Whisper の出力 segments から SRT ファイルを生成"""
    with open(filepath, 'w', encoding='utf-8') as f:
        for idx, seg in enumerate(segments, start=1):
            start = format_timestamp(seg['start'])
            end   = format_timestamp(seg['end'])
            text  = seg['text'].strip()
            f.write(f"{idx}\n{start} --> {end}\n{text}\n\n")

def main():
    parser = argparse.ArgumentParser(
        description="Whisperで動画から日本語字幕（.srt）を自動生成するツール"
    )
    parser.add_argument("input", help="入力動画ファイル (.mp4/.mkv/.avi 等)")
    parser.add_argument(
        "-m", "--model", default="small",
        help="Whisperモデル名: tiny, base, small, medium, large (デフォルト: small)"
    )
    parser.add_argument(
        "-o", "--output",
        help="出力 SRT ファイル名 (デフォルト: 入力ファイル名ベースで .srt)"
    )
    args = parser.parse_args()

    inp = args.input
    out = args.output or os.path.splitext(inp)[0] + ".srt"

    print(f"[1/3] モデル「{args.model}」をロードしています…")
    model = whisper.load_model(args.model)

    print(f"[2/3] 「{inp}」を文字起こし中… (言語: 日本語)")
    result = model.transcribe(inp, language="ja")

    print(f"[3/3] SRT を書き出しています: {out}")
    write_srt(result["segments"], out)

    print("✅ 完了しました！")

if __name__ == "__main__":
    main()

文字起こしする

python generate_subtitles.py <文字起こししたいmp4ファイル>

.srtファイルが作成されます