reazonspeech_nemo_v2_transcription.py

import glob
import os
from reazonspeech.nemo.asr import load_model, transcribe, audio_from_path
import csv
import json
import librosa

# 実行時にHugging Faceからモデルを取得します (2.3GB)
model = load_model(device='cuda')

# 対象のディレクトリパス
directory_path = 'root path'

# 指定されたディレクトリ以下のすべてのwavファイルのパスを取得
wav_files = glob.glob(os.path.join(directory_path + "\\train", '**', '*.mp3'), recursive=True)

# CSVファイルとJSONファイルのパスを指定
csv_file_path = f'{directory_path}\\transcription_results.csv'
json_file_path = f'{directory_path}\\transcription_results.json'

# 結果を格納するためのリスト
results = []

# 全体のファイル数を取得
total_files = len(wav_files)

# CSVファイルに保存
with open(csv_file_path, mode='w', newline='', encoding='utf-8') as csv_file:
    writer = csv.writer(csv_file)
    writer.writerow(['ファイル名', 'テキスト内容', '音声の長さ'])

    for index, file_path in enumerate(wav_files, start=1):
        # ローカルの音声ファイルを読み込む
        audio = audio_from_path(file_path)
        # 音声認識を適用する
        ret = transcribe(model, audio).text
        # 音声の長さを取得
        duration = librosa.get_duration(filename=file_path)
        # ファイルパスからファイル名のみを抽出
        file_name = os.path.basename(file_path)
        print(f"{index}/{total_files}")
        # 結果をリストに追加
        results.append({'ファイル名': file_name, 'テキスト内容': ret, '音声の長さ': duration})
        # CSVに書き込む
        writer.writerow([file_name, ret, duration])

# JSONファイルに保存
with open(json_file_path, 'w', encoding='utf-8') as json_file:
    json.dump(results, json_file, ensure_ascii=False, indent=4)