app.py

import gradio as gr
from transformers import WhisperProcessor, WhisperForConditionalGeneration
import torch
import librosa

# モデルとプロセッサの読み込み
model_name = "openai/whisper-large-v3"
processor = WhisperProcessor.from_pretrained(model_name)
model = WhisperForConditionalGeneration.from_pretrained(model_name)

# 音声ファイルを文字起こしする関数
def transcribe_audio(audio):
    # librosaで音声を読み込む
    audio_data, sampling_rate = librosa.load(audio, sr=16000)

    # WhisperProcessorに渡すために、音声データを正しい形式に変換
    # 返された辞書を表示して出力形式を確認
    audio_input = processor(audio_data, return_tensors="pt", sampling_rate=16000)
    
    # 出力形式を確認
    print(audio_input)  # デバッグ: 出力形式を確認

    # input_values ではなく、input_features を使用する場合もある
    input_values = audio_input.get('input_values') or audio_input.get('input_features')

    if input_values is None:
        raise ValueError("音声データが適切に処理されていないか、必要なキーが見つかりませんでした")

    # モデルによる文字起こし
    with torch.no_grad():
        predicted_ids = model.generate(input_values=input_values)
    
    # 文字起こし結果のデコード
    transcription = processor.decode(predicted_ids[0], skip_special_tokens=True)
    
    return transcription

# Gradioのインターフェース作成
interface = gr.Interface(
    fn=transcribe_audio,
    inputs=gr.Audio(type="filepath"),  # マイクやファイルから音声を入力
    outputs="text",
    live=True
)

# インターフェースの起動
interface.launch(share=True)  # `share=True`で公開リンクを生成