tkasr_qwen_local プログラム仕様

Qwen3-ASRローカルバックエンドを提供するモジュール。

Qwen3-ASRローカルバックエンドを提供し、音声認識機能を実現します。 このモジュールは、必要に応じて qwen-asr と torch ライブラリを動的にインポートします。 これにより、これらの依存関係がインストールされている環境でのみ機能が有効になります。

関連リンク:

tkasr_qwen_local.py Documentation

class tkasr_qwen_local.Backend(args)

ベースクラス: object

Qwen3-ASRローカルモデルを管理し、音声認識を実行するバックエンドクラス。

Qwen3-ASRモデルのロード、デバイスとデータ型の設定、音声ファイルからの文字起こし機能を提供します。 モデルやデバイスに関する設定は、初期化時に渡される引数 args に基づいて行われます。

describe()

現在のバックエンド設定の詳細を辞書形式で返します。

戻り値:

バックエンドの名前、ロードされたモデル、使用中のデバイス、データ型、 およびタイムスタンプ機能が有効かどうかの情報を含む辞書。

戻り値の型:

dict

load()

Qwen3-ASRモデルをロードし、デバイスとデータ型を設定します。

このメソッドは、PyTorchと qwen-asr ライブラリを動的にインポートし、 __init__ で渡された引数 (self.args) に基づいてQwen3-ASRモデルを初期化します。 デバイスの自動検出(CUDA/CPU)とデータ型の選択(bfloat16, float16, float32)が行われ、 必要に応じて forced_aligner や attn_implementation のオプションも設定されます。

例外:
  • OptionalDependencyError -- qwen-asr または torch ライブラリがインストールされていない場合。

  • RuntimeError -- CUDAが利用できないのにCUDAデバイスが指定された場合、または未対応のデータ型が指定された場合。

戻り値:

なし

transcribe(audio: Path, language: str | None, prompt: str) → ASRResult

指定された音声ファイルを文字起こしします。

Qwen3-ASRモデルの transcribe メソッドを呼び出し、その結果を ASRResult オブジェクトに変換します。 self.args.timestamps が真の場合、音声のタイムスタンプ情報も抽出し、 ASRResult の segments リストに Segment オブジェクトとして格納します。 qwen-asr モデルからの time_stamps はネストされたリスト/タプルである可能性があるため、 適切な形式に平坦化する処理が含まれています。

パラメータ:
  • audio (Path) -- 文字起こしする音声ファイルへのパス。

  • language (Optional[str]) -- 音声の言語(例: "en", "ja")。Noneの場合、モデルが自動的に検出します。

  • prompt (str) -- 文字起こしをガイドするためのプロンプトテキスト。

戻り値:

文字起こしされたテキスト、セグメント情報、および検出された言語を含むASRResultオブジェクト。

戻り値の型:

ASRResult