ahmetoner/whisper-asr-webservice

OpenAI Whisper ASR Webservice API

解決する課題

OpenAIのWhisperモデル用の即時利用可能なREST APIラッパーを提供します。これにより、ユーザーは独自のサーバーインフラを構築することなく、音声からテキストへの変換機能を他のアプリケーションに簡単にデプロイおよび統合できます。

仕組み

このプロジェクトは、複数の高性能なWhisperエンジン（OpenAI Whisper、Faster Whisper、WhisperX）をDocker化されたウェブサービスとしてラップします。FFmpegを使用して幅広いオーディオおよびビデオ形式を処理し、音声ファイルの送信と文字起こしの受信を行うためのSwaggerドキュメント付きREST APIを提供します。

対象者

複数のモデルや出力形式（字幕用のSRTやVTTなど）をサポートし、CPUまたはGPUのいずれかで実行可能な、セルフホスト型の音声認識サービスをデプロイする必要がある開発者。

ハイライト

  • 複数のエンジンをサポート: OpenAI Whisper、Faster Whisper、WhisperXをサポート。
  • 柔軟な出力: 文字起こし結果は、text、JSON、VTT、SRT、またはTSVとしてエクスポート可能です。
  • 高度な文字起こし: WhisperXによる単語レベルのタイムスタンプ、音声活動検出（VAD）フィルタリング、および話者分離を含みます。
  • 容易なデプロイ: CPUおよびGPUアクセラレーションの両方に対応したDockerイメージとして提供。
  • 幅広いフォーマット対応: FFmpegとの統合により、広範なオーディオ/ビデオ互換性を実現。

関連

  • プロジェクト
    innovatorved/whisper.api

    whisper.cpp をベースとした、Deepgram と互換性のある、自己ホスト型で高性能な音声文字起こし API です。簡単に統合できます。

  • プロジェクト
    jim60105/docker-whisperX

    WhisperX用の最適化されたDockerイメージのコレクション。単語レベルのタイムスタンプと話者分離を提供するASRモデルを事前にバンドルし、高速かつ効率的な音声認識（音声→テキスト変換）を実現します。

  • Dispatch
    OpenAI Whisper リリース

    OpenAIは、アクセント、ノイズ、言語の違いに対するロバスト性を向上させるために、多言語・マルチタスクの教師ありデータ680,000時間で学習した自動音声認識（ASR）システム「Whisper」をリリースしました。

  • プロジェクト
    openai/whisper

    Whisperは、多言語の文字起こし、言語識別、翻訳を処理するOpenAIのオープンソースのTransformerベースの音声対テキストシステムです。6つのモデルサイズ（tinyからlarge、および高速な「turbo」バリアント）を備えたpipインストール可能なパッケージとして提供されます。CLI (`whisper …`) とシンプルなPython API (`whisper.load_model(...).transcribe(...)`) を使用して、わずかなコマンドで音声ファイルをテキストに変換できます。このプロジェクトはPython 3.8-3.11、PyTorchで動作し、ffmpeg（およびオプションでトークナイザー用のRust）が必要です。すべてのコードとモデルの重みはMITライセンスです。

  • プロジェクト
    sandrohanea/whisper.net

    whisper.cpp を介して OpenAI Whisper の .NET バインディングを提供し、広範なハードウェアアクセラレーションをサポートすることで、.NET アプリケーションでのローカルな音声-テキスト変換および翻訳を実現します。