VOSKによるスピーカーからの音声出力のオフライン文字起こしについて

Question

実現したいこと

ウェブ会議で他者が喋った内容をリアルタイムで文字起こししたいです。

前提

プログラミング初学者です。
PC環境はwindows11, anacondaとVScodeを使用しており、VScodeのターミナルで実行しております。
下記のサイトの情報を参考に、pythonコードを作成、実行しました。
https://qiita.com/3998/items/a18b50aaf58e0176e6a5

発生している問題・エラーメッセージ

ターミナル上にエラーメッセージは出ず、printで返ってくるはずの「Type Ctrl+C to stop」という文字も出てこない状態で、プログラムが終了する状態です。

該当のソースコード

import copy
import multiprocessing as mp
import soundcard as sc
import json
import numpy as np
import vosk
import sounddevice as sd

def capture_audio_output(audio_queue: mp.Queue,
                         capture_sec: float,
                         sample_rate: int) -> None:
                        
    num_frame: int = int(sample_rate * capture_sec)
    while True:
        audio = sc.get_microphone(include_loopback=True, id=str(sc.default_speaker().name)) \
            .record(numframes=num_frame, samplerate=sample_rate, blocksize=sample_rate)
        audio_queue.put(copy.copy(audio[:, 0])) 

def speech_to_text(audio_queue: mp.Queue, 
                   sample_rate: int) -> None: 
    NO_LOG: int = -1 
    MODEL_PATH = 'speech2text'
    
    vosk.SetLogLevel(NO_LOG) 
    
    model: vosk.Model = vosk.Model(model_path=MODEL_PATH)
    recognizer = vosk.KaldiRecognizer(model, sample_rate)
    
    print("Recognizer is ready")
    print("Output sound from a speaker or a headphone")
    print("#" * 40)
    
    while True:
        audio = audio_queue.get()
        audio = map(lambda x: (x+1)/2, audio)
        audio = np.fromiter(audio, np.float16)
        audio = audio.tobytes()
        
        if recognizer.AcceptWaveform(audio):
            result: json = json.loads(recognizer.Result())
            text = result["text"].replace(" ", "")
            if text != "":
                print(f"Recognized text: {text}")
                print(text)
        else:
            print("Recognition failed")

def main():
    CAPTURE_SEC: int = 0.4 
    audio_queue: mp.Queue = mp.Queue()
    sample_rate: int = int(sd.query_devices(kind="output")["default_samplerate"]) 
    stt_proc: mp.Process = mp.Process(target=speech_to_text,
                                      args=(audio_queue, sample_rate))
    print("Type Ctrl+C to stop")
    stt_proc.start()
    
    try:
        capture_audio_output(audio_queue=audio_queue, capture_sec=CAPTURE_SEC, sample_rate=sample_rate)
        stt_proc.join()
    except KeyboardInterrupt:
        stt_proc.terminate()
        
        print("\nDone")

試したこと

初心者につきあまりたくさんのことは試せていません。。。
各ライブラリのバージョンチェック、スピーカーの動作チェック、sample_rateの変更（sample_rate = 44100としても変化なし）、CAPTURE_SEC（1~10まで変えても変化なし）、ChatGPTを使用してのコードの確認は行い、問題なさそうでした。

補足情報（FW/ツールのバージョンなど）

下記、ライブラリのバージョン情報です。
ca-certificates 2023.08.22 haa95532_0
certifi 2023.7.22 pypi_0 pypi
cffi 1.16.0 pypi_0 pypi
charset-normalizer 3.3.0 pypi_0 pypi
colorama 0.4.6 pypi_0 pypi
idna 3.4 pypi_0 pypi
numpy 1.24.4 pypi_0 pypi
openssl 1.1.1w h2bbff1b_0
pip 23.2.1 py38haa95532_0
pyaudio 0.2.11 pypi_0 pypi
pycparser 2.21 pypi_0 pypi
python 3.8.5 h5fd99cc_1
requests 2.31.0 pypi_0 pypi
setuptools 68.0.0 py38haa95532_0
soundcard 0.4.2 pypi_0 pypi
sounddevice 0.4.6 pypi_0 pypi
soundfile 0.12.1 pypi_0 pypi
speechrecognition 3.8.1 pypi_0 pypi
sqlite 3.41.2 h2bbff1b_0
srt 3.5.3 pypi_0 pypi
tqdm 4.66.1 pypi_0 pypi
urllib3 2.0.6 pypi_0 pypi
vc 14.2 h21ff451_1
vosk 0.3.45 pypi_0 pypi
vs2015_runtime 14.27.29016 h5e58377_2
websockets 11.0.3 pypi_0 pypi
wheel 0.41.2 py38haa95532_0

Comments

[fiveHundred]

関数の定義のみで、main()を呼び出している箇所すらありませんが、意図した通りですか？

[poto568]

他の物が足りているかどうか分かりませんが、上記コメントの通りmain呼んでませんね。
「参考にコードを作成」するまでもなく、記事のリンク先に丸ごとソースがありますから、
コピペなりダウンロードするなりして動作確認するところから始めると良いかもしれません。
https://github.com/tez3998/audio-output-to-text/blob/master/run.py

[yodagabe]

コメント頂きありがとうございます。
ご指摘の通りでした。お恥ずかしい限りです。。。
コードの一番下に下記コードを追加したところ走り始めました。
ーーーーーーーーーーーーーーーーーーーーーーーーーーーーー
if __name__ == "__main__":
main()
ーーーーーーーーーーーーーーーーーーーーーーーーーーーーー

実際文字起こしをさせると、精度が高くない状態でして、もしご存じでしたら、文字起こしの精度を向上させる方法の概要を教えていただけますと幸いです。

[hoshi-takanori]

> 文字起こしの精度を向上させる方法
ですが、
https://qiita.com/3998/items/a18b50aaf58e0176e6a5 より、
> VOSKは無料で使えます。より精度の高いモデルを使いたい場合は、開発者に相談する必要があるようです。
だそうです。

Answer 1

記事に、

ソースコード全体はGitHubに置いてあります。

と書いてあり、リンク先のGitHubに全ソースコードがありますので、それを使ってみてください。