whisper.cppとkotoba-whisper-v2.0をシェルから実行するスクリプト

whisper_tools.sh

#!/bin/bash
# whisper_tools.sh
#
# このスクリプトは以下の処理を提供します。
#
#   --to-wav (-w)
#       入力ファイル（音声/動画）の絶対パスを取得し、16kHz・モノラル・16bit PCM のwavファイルに変換します。
#       出力ファイルは元ファイルの拡張子が.wavに置換されたものとなります。
#
#   --transcript (-t)
#       絶対パスのwavファイルを kotoba-whisper (ggml-kotoba-whisper-v2.0.bin)
#       で文字起こしし、出力テキストを同じディレクトリに出力します。（日本語認識）
#
#   ※ いずれのフラグも指定がなかった場合は、動画ファイルを入力とみなし、
#       音声抽出→文字起こしの処理（動画から直接処理）を実行します。
#
# whisper.cpp のディレクトリパスは以下で指定しています。必要に応じて変更してください。
whisper_dir="PATH_TO_CPP"

############################################
# ヘルプメッセージの表示
############################################
print_help() {
    cat <<EOF
Usage: $0 [OPTION] <input_file>

Options:
  -w, --to-wav
        入力ファイル（音声/動画）を16kHzのwavに変換します。
  -t, --transcript
        絶対パスのwavファイルを kotoba-whisper (ggml-kotoba-whisper-v2.0.bin)
        で文字起こしします。（日本語認識）
  -h, --help
        このヘルプメッセージを表示します.

※ いずれのフラグも指定しない場合は、動画ファイルとみなし、
    音声抽出から文字起こしまでの処理を実行します.

Examples:
  $0 --to-wav /path/to/input.mp3
  $0 --transcript /path/to/input.wav
  $0 /path/to/video.mp4         （フラグなしの場合は動画ファイルとして処理）

EOF
}

############################################
# 関数: convert_to_16k_wav
# 入力ファイルを絶対パスに変換し、16kHz, 1チャンネル, 16bit PCM のwavに変換します。
############################################
convert_to_16k_wav() {
    if [ "$#" -ne 1 ]; then
        echo "Usage: convert_to_16k_wav <input_file>"
        return 1
    fi

    local abs_input
    abs_input=$(realpath "$1")
    if [ ! -f "$abs_input" ]; then
        echo "入力ファイルが存在しません: $abs_input"
        return 1
    fi

    local output_file="${abs_input%.*}.wav"
    echo "変換中: ${abs_input}  ->  ${output_file}"

    ffmpeg -i "$abs_input" -ar 16000 -ac 1 -c:a pcm_s16le "$output_file"
}

############################################
# 関数: run_whisper_transcript
# 絶対パスのwavファイルを kotoba-whisper (ggml-kotoba-whisper-v2.0.bin)
# で文字起こしし、出力ファイルは入力ファイルと同じディレクトリに生成します。
############################################
run_whisper_transcript() {
    if [ "$#" -ne 1 ]; then
        echo "Usage: run_whisper_transcript <wav_file>"
        return 1
    fi

    local abs_input
    abs_input=$(realpath "$1")
    if [ ! -f "$abs_input" ]; then
        echo "wavファイルが存在しません: $abs_input"
        return 1
    fi

    local output_base="${abs_input%.*}"
    echo "文字起こし実行中: ${abs_input}"
    echo "出力先: ${output_base}"

    pushd "$whisper_dir" > /dev/null
    ./build/bin/whisper-cli -f "$abs_input" -m models/ggml-kotoba-whisper-v2.0.bin -l ja -otxt -of "$output_base"
    popd > /dev/null
}

############################################
# 関数: run_video_pipeline
# フラグ指定がない場合は動画ファイルとみなし、
# 音声抽出 (convert_to_16k_wav) → 文字起こし (run_whisper_transcript) の処理を実行します。
############################################
run_video_pipeline() {
    if [ "$#" -ne 1 ]; then
        echo "Usage: run_video_pipeline <video_file>"
        return 1
    fi

    local abs_video
    abs_video=$(realpath "$1")
    if [ ! -f "$abs_video" ]; then
        echo "動画ファイルが存在しません: $abs_video"
        return 1
    fi

    echo "動画ファイルから音声抽出開始: ${abs_video}"
    convert_to_16k_wav "$abs_video"

    local wav_file="${abs_video%.*}.wav"
    if [ ! -f "$wav_file" ]; then
        echo "wav変換に失敗しました: $wav_file が存在しません。"
        return 1
    fi

    run_whisper_transcript "$wav_file"
}

############################################
# メイン処理
############################################
if [ "$#" -lt 1 ]; then
    print_help
    exit 1
fi

case "$1" in
    -w|--to-wav)
        shift
        if [ "$#" -ne 1 ]; then
            echo "Usage: $0 --to-wav <input_file>"
            exit 1
        fi
        convert_to_16k_wav "$1"
        ;;
    -t|--transcript)
        shift
        if [ "$#" -ne 1 ]; then
            echo "Usage: $0 --transcript <wav_file>"
            exit 1
        fi
        run_whisper_transcript "$1"
        ;;
    -h|--help)
        print_help
        ;;
    *)
        # 何もフラグが指定されない場合は、動画ファイルとして処理
        if [ "$#" -eq 1 ]; then
            run_video_pipeline "$1"
        else
            echo "不正な引数です。"
            print_help
            exit 1
        fi
        ;;
esac