狙いは地味だ、書き起こしをブラウザから手元へ移す

Buzz は自分の立ち位置を飾らずに述べる。書き起こしをブラウザから降ろし、目の前のマシンに置く。土台では OpenAI の Whisper が働き、書き起こしも翻訳も個人のパソコンの中でオフラインで完結する。主要なデスクトップ環境向けにはビルド済みのインストーラが用意されていて、ダウンロードそのものが準備のすべてになる。

オンラインの窓口を呼ぶ場合と比べると、手元で走らせることは三つを直接もたらす。録音がマシンの外に出ない。長いファイルがアップロードの順番を待たない。呼び出し回数の枠に縛られない。その代わりに、自分のハードウェア次第という条件が付く。

ファイル、リンク、マイク

ファイルを読み込むのが日常の入口だ。音声と動画のファイルに対応し、オンライン動画のリンクも扱える。画面ではリンクがそのままタスク一覧に入るのが分かる。読み込みだけでなく、マイクからのその場の書き起こしもあり、会議や講演で字幕を大きな画面に出すための表示ウィンドウが付いている。

録音の質が良くないときは、書き起こしの前に声の分離を一度走らせられる。騒がしい音声で精度が上がると公式は説明している。書き起こしたあとは内容の中で話者を見分けられるので、複数人のインタビューや会議の記録を声ごとに分けられる。

書き出しの形式と、そのあとの作業

結果は三つの形式で出せる。素のテキスト、SRT、VTT だ。後の二つはよく使われる字幕の交換形式で、つまり編集ソフトにそのまま持ち込めて、時間軸を手で組み直さずに済む。語単位のタイムスタンプを付ける項目も画面から選べ、細かい位置合わせが要るときに役立つ。

付属の閲覧画面は検索、再生の操作、再生速度の変更に対応し、移動のためのショートカットも一通りそろっている。処理したいファイルが山になるときは、フォルダの監視を有効にすれば新しいファイルが入った時点で書き起こしが始まる。スクリプトや流れに組み込むなら、コマンドラインの窓口が用意されている。プラグインの仕組みは拡張の余地を残していて、公式の例には要約の自動生成や書き起こしの長さの一括調整が挙がっている。

バックエンドと加速は自分のカードで選ぶ

複数の Whisper バックエンドに対応しているのが、同種の道具の中で Buzz が柔軟なところだ。挙げられている加速の手段は、Nvidia のカード向けの CUDA、新しい機種向けの標準対応、そして Whisper.cpp を通して大半のカード（統合グラフィックスも含む）で使える Vulkan。さらに Hugging Face を通じて同種のTransformer モデルの系列も扱え、モデルは設定の中でバックエンドごとにまとまって切り替えられ、独自のモデルのアドレスも記入できる。

1.4.6 以降で Nvidia のカードを使っているなら、アプリ内の情報画面から CUDA の加速部品をそのまま導入でき、自分で環境を組む必要はない。

導入はプラットフォームごとにパッケージがある

主要な環境にはそれぞれ道が用意されている。macOS はディスクイメージ、Windows はインストーラ、Linux は Flatpak、Snap、AppImage の三つの配布形式で、使い慣れたものを選べばいい。

先に知っておきたいことがある。パッケージには署名が入っていないため、導入の途中でシステムが確認を出す。表示に従って続行すれば入り切る。あわせて、現行版は機種に下限があり、古いマシンで使える最後の版は 1.4.5 だと公式が説明している。

コマンドラインの環境で使いたい場合は、パッケージ管理の仕組みから導入し、その後はモジュールとして起動する。この道は ffmpeg を自分で用意する必要があり、Python 3.12 が要る。Nvidia のカードで GPU の加速も欲しいなら、CUDA 対応を含む推論の枠組みを別途入れることになる。

ライセンスは MIT

Buzz は MIT ライセンスで公開され、コードは誰でも見られ、リポジトリのダウンロード数は百五十万回を超えている。緩い許諾なので、自分の作業の流れに組み込むのも、その上で手を加えるのも、許認可でつまずくことはほとんどない。

どんな人に向くか

まとまった量の録音や動画を文字に変えたい、しかもそれを手元の外に出したくない。そういう要件なら、Buzz の値打ちはまさにそこにある。アカウント登録は不要、呼び出しごとの課金もなし、導入すればオフラインで動き、画面のその場の書き起こしとフォルダ監視が会議の記録とまとめての処理の両方を覆う。

ただしハードウェアには要求がある。モデルが大きいほどメモリと時間を食う。機種の相性にも取捨があり、どの環境がどの場合に向くかは公式の説明に書かれている。加えて、精度はやはり音声の質で決まる。いいモデルでも騒がしい素材なら、一度は人の目を通したほうがいい。

AI の能力をデスクトップアプリにする利点は、データが手元に残り、使うときにネットワークが介在しないことだ。代わりに性能の責任は自分に移る。オフラインの道具が必ず抱える、正直なところだ。