社内NASの音声・動画をワンクリックで文字起こし
Python×Gemini×Cloud Speech-to-Text 導入事例

導入背景：非エンジニアでも使える社内向け文字起こしツールを内製

前提・準備（5分）

必要なもの

• Windows 11（ユーザー側は Python 不要／EXE配布）
• GCP プロジェクト（課金有効）
• サービスアカウント鍵 service_account.json
• ffmpeg.exe と ffprobe.exe

設定イメージ

以下の画像は、実際の配布フォルダ構成です。Transcriber.exe、service_account.json、ffmpeg.exe、ffprobe.exe が同じフォルダに配置されています。

配布フォルダの構成例

アーキテクチャ（簡易図）

[GUI(Tkinter)] → [分割/変換(pydub+ffmpeg)] → [Gemini or STT API] → [TXT/SRT出力]
                      ↑  MP4は先に音声抽出(ffmpeg)  ↑
                        

• Gemini：FLAC(30分)を inline_data で送信
• STT：FLAC(55秒, mono)を長時間非同期APIへ送信

使い方（利用者向け）

1

ファイル選択

Transcriber.exe をダブルクリックし、対象ファイル（WAV/MP3/MP4）を選択します。

ステップ1: ファイル選択ダイアログ

2

エンジン選択

「Gemini」 または 「Cloud STT」 ボタンでエンジンを選択します。

ステップ2: エンジン選択

3

実行確認

設定内容を確認し、実行します。

ステップ3: 実行確認ダイアログ

4

完了

処理完了後、同ディレクトリに 元ファイル名_gemini.txt/.srt または 元ファイル名_stt.txt/.srt が出力されます。

ステップ4: 完了

実装のコア（コピー可能コード）

pip install pydub ffmpeg-python google-generativeai google-cloud-speech tqdm pysrt pyinstaller

main.py

"""
main.py - エントリーポイント（Tkinter GUI + Gemini / Cloud STT）
"""
import logging, sys, traceback, tkinter as tk
from tkinter import messagebox
import gui_tk as gui
from transcriber import Transcriber

logging.basicConfig(
    filename="transcribe.log", level=logging.INFO,
    format="%(asctime)s [%(levelname)s] %(message)s", datefmt="%Y-%m-%d %H:%M:%S",
)

def _show_error(msg: str) -> None:
    root = tk.Tk(); root.withdraw()
    messagebox.showerror("エラー", msg)
    root.destroy()

def main() -> None:
    try:
        file_path = gui.ask_audio_file()
        engine = gui.ask_engine()
        gui.confirm(file_path, engine)
        Transcriber(file_path, engine).process()
        stem = file_path.stem
        gui.popup_finish([f"{stem}_{engine}.txt", f"{stem}_{engine}.srt"])
    except gui.UserCanceled:
        logging.info("User canceled the operation."); sys.exit(0)
    except Exception as exc:
        logging.error("Unexpected error:\n%s", traceback.format_exc())
        _show_error(f"エラーが発生しました:\n{exc}\n\n詳細は transcribe.log をご確認ください。")
        sys.exit(1)

if __name__ == "__main__":
    main()

gui_tk.py

"""
gui_tk.py - Tkinter 版 3 ステップダイアログ
"""
from pathlib import Path
import tkinter as tk
from tkinter import filedialog, messagebox
from contextlib import contextmanager

class UserCanceled(Exception): pass

@contextmanager
def hidden_root():
    root = tk.Tk(); root.withdraw()
    try: yield root
    finally: root.destroy()

def ask_audio_file() -> Path:
    with hidden_root():
        fp = filedialog.askopenfilename(
            title="音声 / 動画ファイル選択",
            filetypes=[
                ("Media files", "*.mp3 *.wav *.mp4 *.mov *.mkv *.avi"),
                ("All files", "*.*"),
            ],
        )
    if not fp: raise UserCanceled
    return Path(fp)

def ask_engine() -> str:
    choice: list[str] = []
    def _set(val: str):
        choice.append(val); win.destroy()
    win = tk.Tk(); win.title("エンジン選択"); win.geometry("300x120")
    tk.Label(win, text="文字起こしエンジンを選択してください").pack(pady=10)
    tk.Button(win, text="Gemini", width=12, command=lambda: _set("gemini")).pack(pady=5)
    tk.Button(win, text="Cloud STT", width=12, command=lambda: _set("stt")).pack()
    win.mainloop()
    if not choice: raise UserCanceled
    return choice[0]

def confirm(file_path: Path, engine: str):
    with hidden_root():
        if not messagebox.askokcancel(
            "実行確認",
            f"次の設定で実行しますか？\n\nファイル : {file_path.name}\nエンジン : {engine}",
        ):
            raise UserCanceled

def popup_finish(outputs: list[str]):
    with hidden_root():
        messagebox.showinfo("完了", "文字起こしが完了しました！\n\n" + "\n".join(outputs))

transcriber.py（抜粋）

完全なコードはGitHubリポジトリをご覧ください。

"""
transcriber.py - Gemini / Cloud STT / MP4 対応版
- 入力: WAV/MP3/MP4/MOV/MKV/AVI
- Gemini: 30分 FLAC チャンク（~60MB）
- STT   : 55秒 FLAC モノラル（<=10MB, <=60s）
"""
from __future__ import annotations
import csv, os, sys, tempfile, time
from datetime import timedelta
from pathlib import Path
from typing import List
from pydub import AudioSegment
from tqdm import tqdm
import pysrt
import ffmpeg
import google.generativeai as genai
from google.cloud import speech_v1p1beta1 as speech

GEMINI_CHUNK_MIN = 30
STT_CHUNK_SEC = 55
RATE_LIMIT_SLEEP = 5
LANGUAGE_CODE = "ja-JP"
VIDEO_EXTS = {".mp4", ".mov", ".mkv", ".avi"}

class Transcriber:
    def __init__(self, file_path: Path, engine: str):
        self.src = file_path
        self.engine = engine.lower()
        stem = self.src.stem
        self.out_txt = self.src.with_name(f"{stem}_{self.engine}.txt")
        self.out_srt = self.src.with_name(f"{stem}_{self.engine}.srt")
        self.log_csv = self.src.parent / f"log_{time.strftime('%Y%m%d')}.csv"
        self._init_clients()

    def _init_clients(self):
        # サービスアカウント鍵の探索とAPI初期化
        adc = os.getenv("GOOGLE_APPLICATION_CREDENTIALS")
        if not (adc and Path(adc).exists()):
            for cand in [
                Path(sys.argv[0]).resolve().parent / "service_account.json",
                Path.cwd() / "service_account.json",
                self.src.parent / "service_account.json",
            ]:
                if cand.exists():
                    os.environ["GOOGLE_APPLICATION_CREDENTIALS"] = str(cand)
                    break
        if self.engine == "gemini":
            genai.configure()
            self.model = genai.GenerativeModel("models/gemini-1.5-pro-latest")
        else:
            self.speech_client = speech.SpeechClient()

    def process(self):
        self.audio_source = self._prepare_audio_source()
        chunks = self._split_audio()
        transcripts: list[tuple[int, str]] = []
        for idx, p in enumerate(tqdm(chunks, desc="Transcribing", unit="chunk")):
            transcripts.append((idx, self._transcribe_chunk(p)))
        self._merge_and_save(transcripts)
        self._write_log(len(chunks))

    # ... その他のメソッド ...

ビルドと配布

ビルド（PowerShell/CMD）

pyinstaller main.py --onefile ^
  --add-binary "ffmpeg.exe;." ^
  --add-binary "ffprobe.exe;." ^
  --name Transcriber

生成物：dist/Transcriber.exe

配布（ZIP可）

• 同じフォルダに Transcriber.exe, service_account.json, ffmpeg.exe, ffprobe.exe
• ZIPで配布 → 受信側は展開して EXEをダブルクリックで実行

トラブルシュート（よくある質問）

参考にした公式ドキュメント

• Gemini（Generate Content API）：https://ai.google.dev/api/generate-content
• Cloud Speech-to-Text（クォータ）：https://cloud.google.com/speech-to-text/v2/quotas
• pydub（ffprobe 必須の注意）：https://github.com/jiaaro/pydub/issues/771
• FFmpeg ダウンロード：https://www.ffmpeg.org/download.html
• Tkinter（ファイルダイアログ）：https://docs.python.org/3/library/dialog.html

ライセンス・セキュリティ