Work In Progress

このプロジェクトで現在進行中の作業と、過去のスナップショットを記録する。

現在の状況

（以下、README / HIKITUGI.md / 直近コミット履歴からの推測。実際の進捗とずれていれば次回更新時に修正する）

プロジェクトの現在地

• 目的: 動画ファイル → 文字起こし CLI whosaid
• 2エンジン構成:
  • デフォルト: AssemblyAI（話者分離あり、$0.23/hr）
  • --no-diarize: Kotoba-Whisper v2.0 ローカル（無料、APIキー不要）
• GitHub: https://github.com/ichirokisanuki/whosaid (Private)
• ブランチ: main（origin と同期済み）

直近の作業の流れ

ローカル ASR の日本語ハルシネーション対策を段階的に進めてきた:

1. Whisper turbo → 無音で「ご視聴ありがとうございました」を吐く問題
2. large-v3 + Silero VAD 化（4d9f0b1）
3. faster_whisper の良性 RuntimeWarning を抑制（8777944）
4. HF Hub の未認証通知も抑制（ee48d36）
5. デフォルトを Kotoba-Whisper v2.0 に切替（1f9f1f9） ← 現在地

未コミットの変更

• HIKITUGI.md（プロジェクト引き継ぎメモ、untracked）
• .devnotes/（このファイル群、新規導入）

次にやりそうなこと（HIKITUGI.md §11 の候補メモより）

• --model フラグで Whisper モデルを切替可能に（現状は kotoba-whisper-v2.0 ハードコード）
• initial_prompt でドメインヒント注入（参加者名、専門用語など）
• 16kHz mono WAV で抽出（Whisper のネイティブ入力に合わせる）
• 句読点付与（LLM 後処理 or punctuators）
• ReazonSpeech v2 への乗り換え検討（NeMo 系）

詰まっていること

特になし。動作する状態。

---

過去のWIPアーカイブ

（新しい「現在の状況」を書く前に、古いものをここに追記でアーカイブする。新しいものが上）

開発日誌

このプロジェクトでの作業を時系列で記録する。 最新のエントリが上に来る。

---

whosaid

動画ファイルを文字起こしする CLI。

• デフォルト: AssemblyAI で話者分離付き文字起こし（話者A/B/C...のラベル付き）
• --no-diarize: ローカルの Whisper (faster-whisper) で無料文字起こし（API キー不要）

セットアップ

# ffmpeg（未導入の場合）
brew install ffmpeg

# Python 環境
python -m venv .venv
source .venv/bin/activate
pip install -e .

# AssemblyAI を使う場合のみ必要
export ASSEMBLYAI_API_KEY=your_api_key_here

使い方

# 話者分離あり（AssemblyAI、有料）
whosaid sample.mp4 -o sample.json

# 話者分離なし（Whisper ローカル、無料）
whosaid sample.mp4 --no-diarize -o sample.json

# 話者数をヒントとして指定（精度向上）
whosaid sample.mp4 --speakers 5 -o sample.json

オプション

フラグ	説明
video_path (必須)	入力動画ファイル
-o, --output	出力 JSON パス。省略時は <動画名>.json
--no-diarize	話者分離せず、ローカル Whisper を使う（無料、APIキー不要）
--speakers N	想定話者数 (1-10)。--no-diarize のときは無視
--keep-audio	抽出した音声ファイルを残す（デバッグ用）

出力 JSON

engine: "assemblyai" (デフォルト)

{
  "engine": "assemblyai",
  "audio_duration": 123.45,
  "language_code": "ja",
  "full_text": "...",
  "utterances": [
    {
      "speaker": "A",
      "start": 1200,
      "end": 4500,
      "text": "こんにちは",
      "confidence": 0.96
    }
  ]
}

engine: "kotoba-whisper-v2.0" (--no-diarize)

{
  "engine": "kotoba-whisper-v2.0",
  "audio_duration": 123.45,
  "language_code": "ja",
  "full_text": "...",
  "utterances": [
    {
      "start": 1200,
      "end": 4500,
      "text": "こんにちは",
      "confidence": null
    }
  ]
}

speaker フィールドは含まれません。start / end はミリ秒。

注意

• 初回 --no-diarize 実行時に Kotoba-Whisper v2.0 (約756MB) がダウンロードされます。~/.cache/huggingface/ にキャッシュされ、2回目以降は即起動。Whisper large-v3 を日本語 fine-tune した派生モデルで、日本語精度は本家 large-v3 より良好かつ軽量・高速。Silero VAD でハルシネーションも抑制。
• AssemblyAI 利用時は $0.23/時間程度の課金（話者分離込み）。アカウント作成時に $50 分の無料クレジットあり。