Zenn
🎤

JavaScriptとVOSKで自動文字起こし録音ツールを作ってみた

2023/08/21に公開
JavaScript
音声認識
文字起こし
vosk
tech

マイクで拾った音を文字起こしして、その部分の音声をMP3にするツールを作りました。
そしてHTMLとして出力するので、ブラウザから画像のように確認することができます。
文字起こしツールの画像
文字起こしに使用した動画：【ストレスに勝つ】強いメンタルをつくる脳の鍛え方！

コードの説明

このツールはJavaScriptとVOSKという音声認識のライブラリで作りました。

ソースコードはこんな感じです。

const memo = new Memo() // HTMLとしてファイルに書き込むためのクラス
const mp3 = new Mp3(dayjs()) // MP3ファイルとして書き込むためのクラス
mp3.rotate(memo, dayjs())

setLogLevel(-1)
const model = new Model(MODEL_PATH)
const rec = new Recognizer({ model: model, sampleRate: SAMPLE_RATE })

// 文字起こしプロセス
const micInstance = mic({
  rate: String(SAMPLE_RATE),
  channels: '1',
  debug: false,
  device: 'default',
})

const micInputStream = micInstance.getAudioStream()

micInputStream.on('data', (data) => {
  if (rec.acceptWaveform(data)) {
    const result = rec.result()
    if (Memo.isExist(result)) {
      memo.writeMessage(result, dayjs())
      mp3.rotate(memo, dayjs())
    }
  }
})

micInputStream.on('audioProcessExitComplete', function () {
  memo.writeMessage(rec.finalResult(), dayjs())
  memo.end()
  rec.free()
  model.free()
})

// 録音プロセス
const recInstance = mic({
  rate: String(SAMPLE_RATE),
  channels: '1',
  debug: false,
  device: 'default',
  fileType: 'mp3',
})

const recInputStream = recInstance.getAudioStream()

recInputStream.on('data', (data) => {
  mp3.write(data)
})

recInputStream.on('audioProcessExitComplete', function () {
  mp3.end()
})

// プロセスイベント
process.on('SIGINT', function () {
  micInstance.stop()
  recInstance.stop()
})

// 開始
micInstance.start()
recInstance.start()

コード全体はこちら

内容を大きく分けると、音声認識と録音のプロセスがあります。

音声認識プロセスの説明

音声認識プロセスの主要部分を説明します。
下記部分で取得した音声データを取得したときに、データをrec.acceptWaveform(data)へと渡すようにしています。

micInputStream.on('data', (data) => {
  if (rec.acceptWaveform(data)) {
    const result = rec.result()
    if (Memo.isExist(result)) {
      memo.writeMessage(result, dayjs())
      mp3.rotate(memo, dayjs())
    }
  }
})

このイベントは、音声が一定間隔のぶつ切りのデータで渡されます。
たとえば「こんにちは」とマイクに話した場合

  1. 「こん」でイベントを実行
  2. 「にち」でイベントを実行
  3. 「は」でイベントを実行

という感じになります。
なので、「こんにちは」という言葉の区切りに達したかをrec.acceptWaveform(data)で判定しています。
そして、rec.acceptWaveform(data)は、音声データのストックも同時に行っているようです。

ざっくりとした一連の流れは

  1. 喋ってる途中なら、rec.acceptWaveform(data)はfalseで、以降の処理は実行されない
  2. 喋り終わったら、rec.acceptWaveform(data)がtrueになる
  3. 「こんにちは」の音声データがストックされているので、文字起こしの結果をrec.result()から取得する
  4. 取得結果をmemo.writeMessage()でファイルに出力する

mp3.rotate()は現在のMP3ファイルへの録音を終了して、新しいMP3ファイルにて録音を再開する処理です。

録音プロセスの説明

録音プロセスも音声認識と内容はあまり変わりません。

const recInstance = mic({
  rate: String(SAMPLE_RATE),
  channels: '1',
  debug: false,
  device: 'default',
  fileType: 'mp3',
})

recInputStream.on('data', (data) => {
  mp3.write(data)
})

違いはインスタンス作成時にfileType: 'mp3'を追加しています。
これによりmp3に変換したデータを受け取ることができます。

その他は、マイク音取得イベントでmp3データを取得して、それをmp3ファイルへ書き込んでいるぐらいです。

注意点

process.on('SIGINT', function () {
  micInstance.stop()
  recInstance.stop()
})

この処理を書き忘れないように注意する必要があります。
stop()で必ず止めるようにしないと、ツールが動き続けてctrl+cで停止できなくなってしまいます。

ツールの使い方

実際にこのツールを動かすには以下の準備が必要です

  1. VOSKの日本語モデルデータをhttps://alphacephei.com/vosk/modelsからダウンロードしてくる
  2. コマンドラインでマイクを使うために、Macの場合brew install soxが必要
  3. PC内の音をマイクとして使いたいなら、その設定が必要
    • 私はMacでSoundflowerとAudio MIDI設定(既存)の対応をしました。

準備が終われば、以下のように保存先を指定して実行できます。

node index.mjs ./test

音声ファイルは2時間で50MBぐらいでした。

作った経緯

なぜこのツールを作ろうと思ったかですが、仕事で議事録を書くことが多くなってきたからです。
リーズナブルに文字起こしできるサービスを探していたんですが、なかなか条件にあうものが見つかりませんでした。
こうなったら自分で作るしかないと思ったわけです。

使ってみた感想

文字起こしの精度は85%程度でした。
たまに意味不明な部分もあったりして、これだけだと、そこまで使い勝手が良くなかったです。
しかし、録音音声を聞けるようにしたことでかなり使いやすくなりました。

今回はそんな感じで、とてもいい勉強になりました。

Discussion