【Google Colab】音声ファイルを無音区間で25MB以下に分割する

前回までの記事

【OpenAI】WhisperとGoogle Colaboratoryで録画ファイルの文字起こし

音声ファイルのサンプルレートを下げるだけでは、OpenAIのWhisperで解析しきることができなかったため、分割してAPIに渡したいと思います。
その為、ファイル分割を行いたいのですが、話途中で分割してしまうと誤変換されてしまう可能性があるので、無音区間で分割します。
さらに、Whisperに渡すために25MB以下になるようにします。

Google Colaboratoryで分割する

Google Colaboratoryで分割する

Colabを立ち上げる

使い方は下記の記事を参考にしてください。

【OpenAI】WhisperとGoogle Colaboratoryで録画ファイルの文字起こし

ファイルを準備する

画像の通りの場所に音声ファイルをアップロードしてください。

コードを入力する

下記のコードをColabに入力してください。

!pip install pydub

import os
import subprocess
import sys
import pydub
from pydub import AudioSegment
from pydub.silence import split_on_silence

src_file = "input.wav"
work_dir = "work"

os.makedirs(work_dir, exist_ok=True)

max_file_size = 25 * 1000 * 1000 * 0.9   # Whisper APIに送信できるのは25MBまで。10%ほどブレを見込んでおく。

# split_on_silenceで分割する際のパラメータ。適宜調整。
min_silence_len = 500
keep_silence = 500
silence_thresh = -90

sound = AudioSegment.from_file(src_file, format="wav")
total_length = len(sound)
total_size = os.path.getsize(src_file)
max_length = total_length * (max_file_size / total_size)     # ファイルサイズと時間から、分割する最大時間を取得する

# 無音部分をカットして分割
chunks = split_on_silence(
    sound,
    min_silence_len=min_silence_len,
    silence_thresh=silence_thresh,
    keep_silence=keep_silence,
)

num_of_chunks = len(chunks)

def output_mp3(chunk, output):
    chunk.export(output, format="wav")
    s = AudioSegment.from_file(output, "wav")

# 分割したチャンクをmax_lengthごとに結合
current_chunk = None
for i, c in enumerate(chunks):
    if current_chunk is None:
        current_chunk = c
        continue
    temp_chunk = current_chunk + c
    outFilePath = f"{work_dir}/out_{i + 1}.wav"
    if len(temp_chunk) > max_length:
        output_mp3(current_chunk, outFilePath)
        current_chunk = c
    else:
        if i == len(chunks) - 1:
            output_mp3(temp_chunk, outFilePath)
        else:
            current_chunk += c