absadiki/pywhispercpp

何を解決するか

whisper.cpp 用のシンプルで Python スタイルな API を提供し、開発者が直接 C++ 実装にアクセスせずに、高パフォーマンスな音声認識を Python アプリケーションに統合できるようにします。

動作方法

このプロジェクトは whisper.cpp エンジン用の Python バインディングです。ユーザーはモデルをロード（自動ダウンロードまたはローカルで提供）し、音声ファイル（ffmpeg を通じて .wav や .mp3 など）をテキストセグメントに変換できます。NVIDIA CUDA、CoreML、Vulkan、OpenBLAS、OpenVINO などのさまざまなハードウェアアクセラレーションバックエンドをサポートしています。

対象ユーザー

• Python 開発者: whisper.cpp の効率性と Python の使いやすさを両方得たい人。
• AI アシスタント構築者: プロジェクトの組み込みアシスタント例と音声活動検出（VAD）を使って音声起動ツールを開発したい人。
• エンドユーザー: 音声ファイルを変換するためのシンプルな CLI や GUI ツールを使いたい人。

特徴

• マルチバックエンド対応: CUDA、CoreML、Vulkan、OpenBLAS、OpenVINO に対応し、パフォーマンスを最適化。
• Python スタイル API: 簡単な Model クラスで変換可能。リアルタイム処理用のカスタムコールバックもサポート。
• 包括的なツールキット: コマンドラインインターフェース（CLI）、PyQt5 ベースのグラフィカルユーザーインターフェース（GUI）、音声アシスタントの例を含む。
• 直接 C-API アクセス: 上級ユーザーは _pywhispercpp モジュールを通じて公開された C-API にアクセス可能。