Vosk (offline ASR)

音声認識オフラインCPU のみ商用利用可

Vosk を使い、動画の音声を、お使いのコンピューター上で時間付きの字幕に変換します。軽量で CPU のみで動作し、言語ごとの小さなモデルは 31〜48 MB のダウンロードです。ダウンロード後は、データがお使いのマシンの外に出ることはありません。

Subtitld からインストール

設定 アドオン Vosk (offline ASR) インストール

Subtitld がダウンロードして SHA-256 を確認し、最新の状態に保ちます。

GitHub のソース
言語
16
モデル
19
アドオンのダウンロード
16–31 MB
RAM(最低)
2 GB

機能

必要なものをダウンロード

言語を初めて文字起こしするとき、そのモデルがダウンロードされ、展開されます。進行状況はバーに表示されます。途中で中断されたダウンロードが、壊れたモデルとして残ることはありません。

進みながら字幕化

Vosk が認識するたびに、各フレーズがすぐにタイムラインに表示されます。

録音モードに対応

Subtitld は話した各フレーズを Vosk に渡し、読み込まれたモデルはフレーズの間も保持されます。

いつでもキャンセル可能

短い音声チャンクごとと、ダウンロード中にも確認するため、ほぼすぐに停止します。

Vosk は声を区別しません。すべての字幕は話者 A に割り当てられます。

26.03 からアップグレードしますか? Vosk は以前は内蔵されていました。このアドオンはモデルを専用のフォルダーに保存するため、26.03 でダウンロードされたモデルは再利用されません。それぞれ、最初の使用時にもう一度ダウンロードされます。古いモデルは、Subtitld のモデルキャッシュ内の vosk-model-… フォルダーです。削除すると容量を確保できます。

モデル

言語ごとに、既定で使われる小さいモデルと、より高精度な 1〜1.9 GB の完全版モデルがあります。英語には、128 MB の l-graph モデルもあります。

アドオンは、字幕の言語に合った小さいモデルを選びます。別のモデルを使うには、アドオンの設定にある Vosk model に ID を入力します(例:vosk-model-en-us-0.22)。そのモデルはどの言語でも使われるため、別の言語で文字起こしする前には、その欄を空にしてください。

モデル言語 ダウンロード
English (US) — small 既定 vosk-model-small-en-us-0.15en-us
40 MB
English (US) — l-graph vosk-model-en-us-0.22-lgraphen-us
128 MB
English (US) — full vosk-model-en-us-0.22en-us
1.8 GB
Portuguese — small 既定 vosk-model-small-pt-0.3pt-br
31 MB
Portuguese — full (Facebook) vosk-model-pt-fb-v0.1.1-20220516_2113pt-br
1.6 GB
Spanish — small 既定 vosk-model-small-es-0.42es
39 MB
Spanish — full vosk-model-es-0.42es
1.4 GB
French — small 既定 vosk-model-small-fr-0.22fr
41 MB
French — full vosk-model-fr-0.22fr
1.4 GB
German — small 既定 vosk-model-small-de-0.15de
45 MB
German — full vosk-model-de-0.21de
1.9 GB
Italian — small 既定 vosk-model-small-it-0.22it
48 MB
Italian — full vosk-model-it-0.22it
1.2 GB
Russian — small 既定 vosk-model-small-ru-0.22ru
45 MB
Russian — full vosk-model-ru-0.42ru
1.8 GB
Chinese — small 既定 vosk-model-small-cn-0.22zh-cn
42 MB
Chinese — full vosk-model-cn-0.22zh-cn
1.3 GB
Japanese — small 既定 vosk-model-small-ja-0.22ja
48 MB
Japanese — full vosk-model-ja-0.22ja
1 GB

モデルは、言語ごとに必要になった初回に一度だけ、alphacephei.com からダウンロードされます。

モデルの保存場所

アドオンのデータフォルダーに、モデルごとに1フォルダーずつ、ID の名前で保存されます。

システム フォルダー
Linux ~/.local/share/subtitld/addons/vosk/models
macOS ~/Library/Application Support/subtitld/addons/vosk/models
Windows %LOCALAPPDATA%\subtitld\addons\vosk\models

Linux と macOS では、このフォルダーはアドオン自身のフォルダー内にあるため、アドオンをアップデートまたはアンインストールするとモデルも削除されます。次に必要になったときに再ダウンロードされます。Windows では、削除するまで残ります。別の場所に保存するには、Subtitld を起動する前に SUBTITLD_VOSK_DATA_DIR に別のフォルダーを設定します。その場合、モデルはそのフォルダー内の models フォルダーに保存されます。

モデルを手動でインストールするには、そのフォルダーにモデルを解凍します。ファイルが、ID と同じ名前のフォルダーに入るようにしてください。

オプション

設定 › アドオン › Vosk (offline ASR) › 設定 で変更できます。

Vosk model
既定値: 空

空欄の場合は、文字起こしする言語の小さなモデルを使います。上の表にあるモデル ID を入力すると、そのモデルを代わりに使い、すべての言語でそのモデルが使われます。

Auto-download models on first use
既定値: オン

オン:お使いのコンピューターにないモデルは、必要になったときに alphacephei.com から自動的にダウンロードされます。オフ:モデルフォルダーにすでにあるモデルだけを使います。

言語

9言語があり、以下では16のタグとして示しています。各言語には、基本のタグと地域別のタグ(pt と pt-br)の両方があるためです。一覧にない地域タグは、主要言語を使います。たとえば en-gb にはアメリカ英語のモデルが、ポルトガル語のすべてにはブラジル版のモデルが使われます。

  • en
  • en-us
  • pt
  • pt-br
  • es
  • es-es
  • fr
  • fr-fr
  • de
  • de-de
  • it
  • it-it
  • ru
  • zh
  • zh-cn
  • ja

プラットフォーム

システム ダウンロード動作確認
Linux x86-64 30.6 MBCI でビルドのみ、実行はしていない
macOS (Apple シリコン) 15.8 MBCI でビルドのみ、実行はしていない
Windows x86-64 24.0 MBCI でビルドのみ、実行はしていない

CI は各ダウンロード用のビルドを作成しますが、起動はしません。そのため、リリースは実際の文字起こしでは確認されていません。

トラブルシューティング

  • model_missingモデルがモデルフォルダーになく、自動ダウンロードがオフになっています。Auto-download models on first use をオンにするか、モデルを手動でそのフォルダーに解凍してください。
  • network_unavailablealphacephei.com からモデルをダウンロードできませんでした。接続を確認して、もう一度試してください。
  • disk_fullモデルのダウンロードに必要な空き容量がありません。容量を空けるか、small モデルを使ってください。
  • unsupported_languageVosk にはこの言語のモデルがありません。Whisper を試してください。
  • internal音声の準備、モデルの展開、認識のいずれかに失敗しました。どこで失敗したかはメッセージに示されます。展開に失敗した場合は、もう一度実行してください。ダウンロードは最初からやり直されます。

ライセンス

アドオン
Apache-2.0
エンジン
Apache-2.0
Vosk、Kaldi
モデル
Apache-2.0、GPL-3.0-only
GPL は完全版のポルトガル語(Facebook)モデルのみ

商用利用に問題ありません。1つのモデルは Apache-2.0 ではなく GPL-3.0 です。完全版のポルトガル語(Facebook)モデルです。

バージョン

  • 1.0.0

他の音声認識アドオン