ReazonSpeechをGradioから使う

はじめに

前回ReazonSpeechを使うためのGUIをC#で作りました。
touch-sp.hatenablog.com
今回はGradioを使いPythonだけで完結させようと思います。

PC環境

Windows 11
Python 3.11
CUDA 11.8

Python環境構築

ReazonSpeechと最新のGradioは共存できませんでした。

ERROR: pip's dependency resolver does not currently take into account all the packages that are installed. This behaviour is the source of the following dependency conflicts.
reazonspeech-nemo-asr 2.1.0 requires huggingface-hub<0.24, but you have huggingface-hub 0.26.0 which is incompatible.

以下でうまくいきました。　

pip install torch==2.5.0+cu118 --index-url https://download.pytorch.org/whl/cu118
pip install cython
git clone https://github.com/reazon-research/ReazonSpeech
pip install ReazonSpeech/pkg/nemo-asr
pip install gradio==4.44.1

Pythonスクリプト

import gradio as gr
import soundfile as sf
from reazonspeech.nemo.asr import load_model, transcribe, audio_from_path
import tempfile
import os

model = load_model()

def transcribe_audio(audio):
    # 一時ファイルを作成して音声データを保存
    with tempfile.NamedTemporaryFile(delete=False, suffix=".wav") as temp_audio:
        sf.write(temp_audio.name, audio[1], audio[0])
        temp_audio_path = temp_audio.name

    # 音声認識の実行
    audio = audio_from_path(temp_audio_path)
    ret = transcribe(model, audio)

    text = ret.text

    # 一時ファイルの削除
    os.unlink(temp_audio_path)

    return text

iface = gr.Interface(
    fn=transcribe_audio,
    inputs=gr.Audio(sources=["microphone"]),
    outputs="text",
    title="音声録音と文字起こし",
    description="マイクから音声を録音し、文字起こしを行います。",
    examples=[],
)

if __name__ == "__main__":
    iface.launch()

実行画面