GPUなしのデュアルコアCPUでCRMの音声メッセージを文字起こしする方法
クラウドAPIやGPUを使用せず、faster-whisper、ffmpeg、cronを活用してCRM向けのローカル音声文字起こしシステムを構築する方法を解説します。
·3 分で読めます

顧客は音声メッセージを送るのが好きですが、騒がしい環境にいるマネージャーにとっては聞き取りづらく、対話リストも開封するまで中身がわかりません。外部のクラウドAPIに依存せずにこの問題を解決するため、開発者たちはGPUを搭載せず、わずか2つのCPUコアを持つ小規模なロシア製サーバー上で動作するローカル音声文字起こしシステムを実装しました。最適化されたオープンソースツールを使用することで、35秒の音声メッセージが約9秒でテキストに変換されます。
- 開発者たちは、営業向けCRM内のメッセンジャー音声メッセージに対応するローカル音声認識パイプラインを統合しました。
- このシステムは、完全にCPU上で動作するfaster-whisper(int8量子化されたsmallモデル)を採用しています。
- さまざまなメッセンジャー形式におけるメタデータの読み取りエラーを防ぐため、音声のデコード処理はffmpegにオフロードされています。
- 処理はcronによって自動化されており、flockを使用して同時実行数を制限し、タスクキューの肥大化を防いでいます。



