HenestrosaDev/audiotext

Audiotext – デスクトップ音声認識・翻訳・要約ツール

何ができるか – Audiotext は、オーディオまたはビデオをテキストに変換できるクロスプラットフォームのデスクトップアプリケーションです。以下の機能を備えています：

• ファイルのインポート、YouTubeリンクの読み込み、マイクからの録音が可能。
• Whisper X をローカルで実行（CPU または CUDA 対応 GPU）または OpenAI の Whisper、Google Speech‑to‑Text、その他のクラウド API を呼び出します。
• スピーカーの識別、単語レベルのタイムスタンプ、音楽・背景ノイズの除去。
• OpenAI、Claude、Gemini、DeepSeek、Mistral、Grok、Ollama、DeepL、Google Translate など、多数の LLM プロバイダーによる翻訳。
• 内容をキーポイントや章に要約。
• 複数のフォーマット（プレーンテキスト、Markdown、Word、SRT/VTT サブタイトル、TSV、JSON）へのエクスポート。
• 検索可能な履歴、タグ、メモ、バッチ処理用キューの管理。
• シェルスクリプト用の完全な CLI を提供。

なぜ重要か – Audiotext は、強力な音声認識スタック（Whisper X + faster‑whisper + pyannote）をユーザーフレンドリーな GUI に統合し、データのプライバシーを守ります。すべての処理はあなたのマシン上で行われ、クラウド API をオプトインする場合を除き、外部にデータを送信しません。内蔵の翻訳および要約機能は LLM API を活用し、追加ツールなしに、多言語対応で簡潔な出力に変換します。

主な技術

• UI – ドラッグアンドドロップ対応のカスタム Tkinter（Tkinter ベース）。
• ASR エンジン – WhisperX（faster‑whisper、CTranslate2、PyTorch、CUDA オプション）。
• スピーカー識別 – pyannote.audio。
• クラウド API – OpenAI Whisper、Google Speech‑to‑Text、翻訳/要約用 LLM（OpenAI、Anthropic Claude、Gemini、DeepSeek、Mistral、Grok、Ollama、DeepL、Google Translate）。
• メディア処理 – FFmpeg + pydub によるオーディオ抽出、pytubefix による YouTube ダウンロード、python‑sounddevice によるマイク入出力。
• エクスポート – python‑docx、サブタイトルフォーマット用の内蔵エクスポート機能。
• パッケージング – macOS、Windows、Linux 用ネイティブインストーラー。GPU 加速バンドルもオプションで提供。

対象ユーザー – 面接、講義、ポッドキャスト、動画コンテンツなどをローカルで音声認識したい人、特にプライバシーが重要である場合に最適。多言語 UI とエクスポートオプションにより、クリエイター、研究者、アクセシビリティ作業者にとって便利です。

導入方法 – 最新の GitHub リリースから適切なインストーラー（macOS DMG、Windows EXE、Linux tar.gz）をダウンロード。FFmpeg はバンドル済み。Linux ではマイクサポートのため libportaudio2 をインストールする必要がある場合があります。起動後、ファイルをウィンドウにドラッグして、音声認識エンジンを選択し、設定を調整して Transcribe をクリックします。

詳細情報 – 詳細ドキュメント、チュートリアル、言語別ヘルプは https://getaudiotext.com で確認できます。リポジトリには CLI（cli.py）、テストスイート、貢献ガイドラインも含まれています。