Whisper音声認識API実装：文字起こし精度を95%まで高める前処理テクニック

import openai
from pathlib import Path

# APIキーの設定
openai.api_key = "your_api_key_here"

# 音声ファイルの読み込み
audio_file = open("meeting_audio.mp3", "rb")

# Whisper APIで文字起こし
transcript = openai.Audio.transcribe(
    model="whisper-1",
    file=audio_file,
    language="ja"
)

print(transcript["text"])

from pydub import AudioSegment
from pydub.effects import normalize
import noisereduce as nr
import numpy as np

def remove_noise(audio_path, output_path):
    # 音声ファイルの読み込み
    audio = AudioSegment.from_file(audio_path)
    
    # AudioSegmentをnumpy配列に変換
    samples = np.array(audio.get_array_of_samples())
    
    # ノイズ除去
    reduced_noise = nr.reduce_noise(
        y=samples,
        sr=audio.frame_rate,
        stationary=True
    )
    
    # numpy配列をAudioSegmentに戻す
    cleaned_audio = audio._spawn(reduced_noise.tobytes())
    
    # ファイルに保存
    cleaned_audio.export(output_path, format="mp3")
    
    return output_path

from pydub import AudioSegment
from pydub.effects import normalize, compress_dynamic_range

def normalize_audio(audio_path, output_path):
    # 音声ファイルの読み込み
    audio = AudioSegment.from_file(audio_path)
    
    # 音量正規化（ピークを0dBに調整）
    normalized = normalize(audio)
    
    # ダイナミックレンジ圧縮（音量差を縮小）
    compressed = compress_dynamic_range(
        normalized,
        threshold=-20.0,
        ratio=4.0,
        attack=5.0,
        release=50.0
    )
    
    # ファイルに保存
    compressed.export(output_path, format="mp3")
    
    return output_path

from pydub import AudioSegment
from pydub.silence import detect_nonsilent

def remove_silence(audio_path, output_path, min_silence_len=1000, silence_thresh=-40):
    # 音声ファイルの読み込み
    audio = AudioSegment.from_file(audio_path)
    
    # 非無音区間を検出
    nonsilent_ranges = detect_nonsilent(
        audio,
        min_silence_len=min_silence_len,  # 無音と判定する最小長（ミリ秒）
        silence_thresh=silence_thresh      # 無音と判定する閾値（dB）
    )
    
    # 非無音区間のみを結合
    output_audio = AudioSegment.empty()
    for start, end in nonsilent_ranges:
        output_audio += audio[start:end]
    
    # ファイルに保存
    output_audio.export(output_path, format="mp3")
    
    return output_path

from pydub import AudioSegment

def optimize_sampling_rate(audio_path, output_path, target_rate=16000):
    # 音声ファイルの読み込み
    audio = AudioSegment.from_file(audio_path)
    
    # サンプリングレートを変更
    audio = audio.set_frame_rate(target_rate)
    
    # モノラルに変換（ステレオは不要）
    audio = audio.set_channels(1)
    
    # ビットレートを調整
    audio = audio.set_sample_width(2)  # 16-bit
    
    # ファイルに保存
    audio.export(output_path, format="mp3", bitrate="64k")
    
    return output_path

import openai
from pydub import AudioSegment
from pydub.effects import normalize, compress_dynamic_range
from pydub.silence import detect_nonsilent
import noisereduce as nr
import numpy as np

class WhisperPreprocessor:
    def __init__(self, api_key):
        openai.api_key = api_key
    
    def preprocess_audio(self, input_path, output_path):
        # ステップ1: ノイズ除去
        audio = AudioSegment.from_file(input_path)
        samples = np.array(audio.get_array_of_samples())
        reduced_noise = nr.reduce_noise(y=samples, sr=audio.frame_rate)
        audio = audio._spawn(reduced_noise.tobytes())
        
        # ステップ2: 音量正規化
        audio = normalize(audio)
        audio = compress_dynamic_range(audio, threshold=-20.0, ratio=4.0)
        
        # ステップ3: 無音区間削除
        nonsilent_ranges = detect_nonsilent(audio, min_silence_len=1000, silence_thresh=-40)
        output_audio = AudioSegment.empty()
        for start, end in nonsilent_ranges:
            output_audio += audio[start:end]
        
        # ステップ4: サンプリングレート最適化
        output_audio = output_audio.set_frame_rate(16000)
        output_audio = output_audio.set_channels(1)
        
        # 保存
        output_audio.export(output_path, format="mp3", bitrate="64k")
        return output_path
    
    def transcribe(self, audio_path):
        # 前処理
        preprocessed_path = "preprocessed_audio.mp3"
        self.preprocess_audio(audio_path, preprocessed_path)
        
        # Whisper APIで文字起こし
        with open(preprocessed_path, "rb") as audio_file:
            transcript = openai.Audio.transcribe(
                model="whisper-1",
                file=audio_file,
                language="ja"
            )
        
        return transcript["text"]