Speach2cutはYouTubeなどのURLをコピペして実行するだけで発話部分だけを全自動で1.wav,2.wav,3.wav...と出力するプログラムです。どこからどこまでをDLするかの範囲指定もできる
簡単にプログラムの説明をするとyt-dlpでwavだけをDLして、Whisperで字幕を生成、生成された.srtの各セクションのタイムコードの範囲だけをwavで出力
Whisperのモデルは初期でmedium、好きなのに変更可、ちなFaster Whisperを採用しているのでVRAM 4GBでもlarge-v2動くらしい。
新品のピカピカのPCでも以下の手順で環境構築ができます。
以下のソフトウェアがインストールされていることを確認してください。
Git https://git-scm.com/downloads
Python https://www.python.org/downloads (オススメは3.10.6 ちな3.10.7-3.11.3でもいける、多分めっちゃ古くない限り幅広くOK)
https://developer.nvidia.com/rdp/cudnn-download
http://www.winimage.com/zLibDll/zlib123dllx64.zip
gitとpythonのインストール手順はネットにめっちゃ転がっているので各々調べてもらえたら嬉しいです。
で、CUDA Toolkit 11.7、cuDNN、zlibのインストールに関しては、まずCUDA Toolkit 11.7をインストールする。
終えたら
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\に行き、このフォルダの中に解凍したcuDNNとzlibを
そして、システム環境変数にいき、pathにC:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7\bin
を追加する、追加したらしっかり閉じる
そして次に、エクスプローラーを開き保存したい好きな場所で上にあるファイルパスでcmdと入力してEnterキーを押すとそのパスでコマンドプロンプトが起動します。
そして以下のコマンドを実行して、環境構築を行います。(下記のコマンドはpipのアップデートからクローン、圧縮ファイルの解凍、インストールに使った不要ファイルの削除まで全部してくれるコマンドです)
curl https://bootstrap.pypa.io/get-pip.py -o get-pip.py && python get-pip.py && git clone https://github.com/keimaruO/Speach2cut.git && cd Speach2cut && python -m pip install --upgrade pip && pip install -r requirements.txt && curl -L https://github.com/yt-dlp/FFmpeg-Builds/releases/download/latest/ffmpeg-master-latest-win64-gpl.zip -o ffmpeg.zip && curl -L https://github.com/yt-dlp/yt-dlp/releases/download/2023.03.04/yt-dlp.exe -o yt-dlp.exe && tar -xf ffmpeg.zip && move ffmpeg-master-latest-win64-gpl\bin\ffmpeg.exe ffmpeg.exe && move ffmpeg-master-latest-win64-gpl\bin\ffplay.exe ffplay.exe && move ffmpeg-master-latest-win64-gpl\bin\ffprobe.exe ffprobe.exe && del ffmpeg.zip && rd /s /q ffmpeg-master-latest-win64-gpl
dlurl.txtにURLを貼り付けてCtrl + S (上書き保存ショートカット) 時間範囲を指定してないURLのみの場合は動画全体がDLされる。
main.pyをpythonで実行する。
Speach2cutのフォルダ上でさっきみたいにcmd入力して下記のコマンドを入力して実行できる
python main.py
初回だけWhisperの字幕モデル(1.5GB)のダウンロードがあるので少々時間かかります。
全部の処理が終わったらsozaiフォルダの中にwavが配置されてます。(もし入れ忘れてるpipなどあったら️🙇♂️教えて!)
処理に使用した.srtファイルとwavはsozai/archive/フォルダに保存されてます
sozai/archive/には処理に使用したものをずっと保存させれるが 1.wav,2.wav,3.wav...などのファイルはmain.pyを実行するたびに上書きされるので消えてほしくない人は移動させて管理しとくこと!
Whisperのモデルの変え方はmain.pyの95行目にあるmediumを変更してください、モデルの種類は各自調べて欲しいです。(large-v2が最強だけど処理時間遅、tinyは最速だが精度悪。mediumが妥当、、、?)
もしANACONDAなどいれているとデフォルトで呼び出されるpythonがANCONDAのpythonになっています
ANACONDA入れてるとpythonの環境変数管理がややこしくなってクソになるので、一度ANACONDAの環境変数を外して通常のpythonで実行すればいけるかもです。
ちなみに下記のコマンドでpythonがどこにあるか見えるようになります。自分が使いたいpythonにして先程の呪文みたいなコマンドを入力すればいけるかもです。干渉してる可能性が高いので、、、管理をしっかりと。
where python
それでもまだ解決しない場合はChatGPTに聞いて欲しいです。
ちなこのSpeach2cutは90%ぐらいChatGPTに書いてもらったやつなのでコードは機械くさくて小汚いです
超ハイスピードで作ったので情報不十分かもしれませんが、Twitterなどで分からない点やpipなどの環境構築に必要なものが足りてないなど、超気軽に教えてくれると助かります@keimaru114514まで
Whisperの性質上、たまに字幕がおかしくなる時があるけど正常な動作です、(開始0秒から音があるとなるのかも、、、?)
python yt-dlp.pyってコマンドに入力してエンター押せば音声だけダウンロードしたい時にも単体で機能するから使えたりもする、yt-dlp.py中にあるの画質設定などのコマンド部分を変えれば普通に動画もいけるしめっちゃ細かく設定できるぜい!yt-dlp.py全文をChatGPTに送って何がしたいが細かく正確に言えば書いてくれる。
Whisperに関してもコマンドプロンプトにwhisper-ctanslate2 [音声ファイルor動画ファイル] --model [好きなやーつ] ってやれば使える
Whisperのモデルは
別ので作ってた、全自動切り抜き動画作成のプログラムを利用して作ったから謎に1x1のmp4ファイルを作ってるけどw 2時間ぐらいでとりま配布するのにてきとーに作ったから許して~ あとプロジェクト名はタイポではなく、推し要素いれただけです~