zackees/transcribe-anything

これは何？

主な機能

• 01ローカルファイルやYouTubeなどのURLを文字起こしし、TXT、SRT、VTT、JSONで出力します。
• 02`--device`で複数のWhisperバックエンドから選択できます。省略時は自動検出されます。
• 03各バックエンドの環境を初回使用時に分離して構築します。
• 04話者分離対応バックエンドでは、話者ラベル付きテキストをspeaker.jsonに出力します。
• 05Python APIと、共有文字起こしサーバー向けの任意のデーモンモードを利用できます。

ユースケース

• YouTube動画やローカル録音の字幕を作成する。
• インタビューや会議を、話者ごとのラベル付きで文字起こしする。
• 自分のGPUやApple Silicon搭載Macで、ローカル環境で文字起こしする。
• デーモンモードを使い、共有GPUホストで文字起こしをバッチ処理する。

クイックスタート

1. 1

   PyPIからパッケージをインストールする

   pip install transcribe-anything
2. 2

   CPUモードでYouTube動画を文字起こしする

   transcribe-anything "https://www.youtube.com/watch?v=dQw4w9WgXcQ"

使う前に知っておきたいこと

• !各バックエンドの初回実行時に、それぞれの依存関係がダウンロードされます。--device insane の場合、約10 GB必要です。
• !一部のバックエンドは特定のプラットフォーム専用です。--device mlx はApple Siliconが必要で、--device xpu は実験的な機能です。
• !--device whisperx で話者ダイアライゼーションを行うには、HuggingFaceトークンが必要です。

収録されている特集

トピック

よくある質問

transcribe-anything とは？

WhisperでローカルファイルやURLを文字起こしするCLIツール。複数のバックエンドに対応し、話者ラベル付きで出力できます。 transcribe-anythingは、Whisperによる音声認識を行うコマンドラインフロントエンドです。ローカルの音声・動画ファイルや、YouTubeなどの対応URLを指定すると、音声をダウンロードして正規化し、プレーンテキスト、SRT・VTT字幕、JSONを出力します。各バックエンドは独立した環境で実行され、初回使用時に環境が構築されるため、CUDAやtorchの依存関係がメインのPython環境に入りません。

transcribe-anything は無料で使えますか？ライセンスは？

transcribe-anything は MIT ライセンスのオープンソースです。商用製品で使う前にライセンス条件を確認してください。

transcribe-anything は今もメンテナンスされていますか？

活発にメンテナンス中。transcribe-anything の最終コミットは 2026年10月26日 です。

transcribe-anything は何に使えますか？

YouTube動画やローカル録音の字幕を作成する。 インタビューや会議を、話者ごとのラベル付きで文字起こしする。 自分のGPUやApple Silicon搭載Macで、ローカル環境で文字起こしする。 デーモンモードを使い、共有GPUホストで文字起こしをバッチ処理する。

transcribe-anything のインストール方法は？

PyPIからパッケージをインストールする: pip install transcribe-anything CPUモードでYouTube動画を文字起こしする: transcribe-anything "https://www.youtube.com/watch?v=dQw4w9WgXcQ"

transcribe-anything はどこで入手できますか？

ソースコードとインストール手順は GitHub にあります：https://github.com/zackees/transcribe-anything