app.py

import gradio as gr
import os
from openai import OpenAI
from io import BytesIO
from pydub import AudioSegment
import imageio_ffmpeg

# imageio-ffmpegからffmpegの実行可能ファイルのパスを取得
ffmpeg_path = imageio_ffmpeg.get_ffmpeg_exe()

# pydubで使用するffmpegのパスを設定
AudioSegment.converter = ffmpeg_path
AudioSegment.ffprobe = ffmpeg_path

# OpenAIクライアントの初期化
client = OpenAI()

def process_audio(audio_file, output_format):
    # 音声ファイルを読み込む
    audio_data = audio_file.read()
    file_type = audio_file.name.split('.')[-1]
    
    audio = AudioSegment.from_file(BytesIO(audio_data), format=file_type)
    if file_type != "mp3":
        mp3_buffer = BytesIO()
        audio.export(mp3_buffer, format="mp3")
        mp3_buffer.seek(0)
        audio_data = mp3_buffer

    # OpenAIを使用してテキストに変換
    transcript = client.audio.transcriptions.create(
        model="whisper-1",
        file=BytesIO(audio_data)
    )

    if output_format == "テキスト":
        return transcript.text
    elif output_format == "Docx":
        from docx import Document
        doc = Document()
        doc.add_paragraph(transcript.text)
        docx_buffer = BytesIO()
        doc.save(docx_buffer)
        docx_buffer.seek(0)
        return docx_buffer

iface = gr.Interface(
    fn=process_audio,
    inputs=[
        gr.inputs.Audio(type="file", label="音声ファイルをアップロード"),
        gr.inputs.Radio(choices=["テキスト", "Docx"], label="出力フォーマットを選択")
    ],
    outputs=[
        gr.outputs.Textbox(label="テキスト出力") if output_format == "テキスト" else gr.outputs.File(label="Word文書をダウンロード")
    ],
    title="音声ファイルをテキストに変換",
    description="このツールは音声ファイルをテキストに変換します。出力形式としてテキストまたはWord文書を選択できます。"
)

iface.launch()