| English | 日本語 |
|---|
mov-voicecrop は、whisper.cpp と ffmpeg を活用して、動画ファイルから発話区間のみを自動で抽出し、無音カットと字幕生成を同時に行うローカルツールです。Gradioによる直感的なWeb UIと、自動化に便利なCLIの両方を提供します。Vrewという無音区間を自動カットしてくれる機能を備えたアプリケーションがあります。その機能の再現を目指しました。
- 高速・高精度な文字起こし:
whisper.cppをバックエンドに採用し、ローカル環境で高速に処理を実行。Apple Silicon (Mac) 環境では Core ML を自動的に利用して最適化します。 - 柔軟な無音検出:
ffmpegを用いて、無音閾値 (dB) や最小無音長 (秒) を指定して精緻な無音カットを行います。 - 音声未認識区間のカット: Whisperが認識できなかったノイズや叫び声など、低確率なトークン区間を自動的に除外する機能を搭載。
- マルチフォーマット出力:
- MP4: カット編集済みの動画ファイル（ソフトサブ対応）。
- SRT: カット前（オリジナル）およびカット後（再インデックス）のタイミングに合わせた字幕ファイル。
- FCPXML: DaVinci Resolve 20 や Final Cut Pro 12 に直接読み込めるタイムラインファイル。
本プロジェクトを動作させるためには、以下のツールがシステムにインストールされている必要があります。
- Python 3.11 以上
- uv (高速なPythonパッケージマネージャ)
ffmpegおよびffprobe(例: macOSの場合はbrew install ffmpeg)git,cmake,curl,unzip(whisper.cpp のビルドに必要)
-
リポジトリのクローン
git clone https://github.com/Shuichi346/mov-voicecrop cd mov-voicecrop -
whisper.cpp のセットアップ 専用のセットアップスクリプトを実行して、
whisper.cppのクローン、ビルド、および必要なモデル（large-v3-turbo,silero-v6.2.0）のダウンロードを行います。 ※ Apple Silicon搭載Macの場合、Core MLサポートが自動的に有効化されます。bash scripts/setup_whisper.sh
-
Python 環境の構築
uvを使用して依存関係をインストールし、環境をセットアップします。uv sync
-
環境変数の設定
.env.exampleをコピーして.envを作成し、必要に応じて設定を編集します。cp .env.example .env
mov-voicecrop は、Web UI または コマンドライン (CLI) のどちらからでも利用可能です。実行には uv run を使用します。
Gradio を使用したブラウザベースのUIを起動します。
uv run main.py webui起動後、コンソールに表示されるローカルURL (例: http://127.0.0.1:7860) にブラウザでアクセスしてください。
UI上から入力動画の指定、無音検出・音声認識のパラメータ調整、FCPXMLのターゲット指定などが行えます。
コマンドラインから直接処理を実行することも可能です。バッチ処理などに便利です。
uv run main.py cli -i /path/to/input.mp4主なCLIオプション:
-i,--input(必須): 入力動画ファイルのパス-o,--output: 出力ディレクトリ（未指定時は入力動画と同じディレクトリ）--style: 出力形式 (mp4,xml,both)[デフォルト:both]--lang: 音声認識言語 (例:ja,en)--cut-unrecognized/--no-cut-unrecognized: 音声未認識区間もカットするかどうか--video-encoder: MP4映像エンコーダー (auto,libx264,h264_videotoolbox)--fcpxml-target: FCPXML 出力ターゲット (resolve,fcp,both)
すべてのオプションを確認するには、ヘルプコマンドを実行してください：
uv run main.py cli --help処理が完了すると、指定した出力ディレクトリ（または入力動画と同じディレクトリ）に以下のファイルが生成されます（オプション設定に依存します）。
[ファイル名]_cut.mp4: 無音および未認識区間がカットされた動画ファイル。[ファイル名]_original.srt: カット前の元動画のタイムラインに合わせた字幕ファイル。[ファイル名]_cut.srt: カット後の動画のタイムラインに合わせた字幕ファイル。[ファイル名].fcpxmlまたは*_resolve.fcpxml/*_fcp.fcpxml: 動画編集ソフト用のタイムラインデータ。
.env ファイルを編集することで、デフォルトの挙動を変更できます。
WHISPER_THREADS: Whisperの推論に使用するCPUスレッド数。LANGUAGE: 文字起こしのデフォルト言語（例:ja）。SILENCE_THRESH_DB: 無音と判定する音量の閾値（デフォルト:-35dB）。MIN_SILENCE_DURATION: カット対象となる最小の無音長さ（デフォルト:0.25秒）。CUT_UNRECOGNIZED: 低確率トークン区間を除外するかどうか（true/false）。FCPXML_TARGET: FCPXMLの互換ターゲット（resolve/fcp/both）。
このプロジェクトは MIT License のもとで公開されています。 Copyright (c) 2026 Shuichi