Upload 4 files

README.md

@@ -1,14 +1,23 @@
 ---
-title: NihongoMiniteto
-emoji: 🐢
+title: JP Audio → Text (Upload Only)
+emoji: 🗾
 colorFrom: pink
 colorTo: purple
 sdk: gradio
-sdk_version: 5.44.1
-app_file: app.py
-pinned: false
-license: mit
-short_description: Trick on choukai test
+python_version: "3.10"
+suggested_hardware: "a10g-small"
 ---
 
-Check out the configuration reference at https://huggingface.co/docs/hub/spaces-config-reference
+**日本語音声（最大2分）をアップロードしてテキスト化**する最小構成のSpaceです。  
+- モデル: `faster-whisper`（デフォルトは `Systran/faster-whisper-small`）  
+- 言語は固定で **日本語** に設定（`language="ja"`）  
+- マイク録音UIは無効。**アップロードのみ**。
+
+### 環境変数（任意）
+- `MODEL_NAME` … 例: `Systran/faster-whisper-small`, `large-v3`, `distil-large-v3`
+- `VAD_FILTER` … `"1"`（既定）/ `"0"`
+- `MAX_SECONDS` … 既定: `120`
+
+### 注意
+- ハードウェアは CPU でも動作しますが、GPU のほうが高速です（Settings → Hardware）。
+- `packages.txt` で `ffmpeg` をインストールしています。

app.py

@@ -0,0 +1,59 @@
+import os
+import gradio as gr
+from faster_whisper import WhisperModel
+import soundfile as sf
+
+# Fixed config for this app
+MODEL_NAME = os.getenv("MODEL_NAME", "Systran/faster-whisper-small")  # fast & accurate enough for short clips
+LANGUAGE = "ja"  # force Japanese
+VAD = os.getenv("VAD_FILTER", "1") == "1"
+MAX_SECONDS = int(os.getenv("MAX_SECONDS", "120"))  # 2 minutes
+
+_model = None
+
+def get_model():
+    global _model
+    if _model is not None:
+        return _model
+    # GPU first, then CPU fallbacks
+    for device, compute_type in [("cuda", "float16"), ("cuda", "int8_float16"), ("cpu", "int8")]:
+        try:
+            m = WhisperModel(MODEL_NAME, device=device, compute_type=compute_type)
+            _model = m
+            print(f"[load] {MODEL_NAME} on {device}/{compute_type}")
+            return _model
+        except Exception as e:
+            print(f"[load-failed] {device}/{compute_type}: {e}")
+            continue
+    raise RuntimeError("Unable to load model.")
+
+def transcribe_upload(audio_path):
+    if not audio_path:
+        return "ファイルが選択されていません。"
+
+    # duration guard
+    try:
+        data, sr = sf.read(audio_path)
+        duration = len(data) / float(sr)
+        if duration > MAX_SECONDS:
+            return f"音声が長すぎます（{duration:.1f}秒）。最大{MAX_SECONDS}秒のファイルのみ対応しています。"
+    except Exception as e:
+        print(f"[warn] duration check failed: {e}")
+
+    model = get_model()
+    segments, info = model.transcribe(
+        audio_path,
+        language=LANGUAGE,   # 固定: 日本語
+        task="transcribe",
+        vad_filter=VAD,
+    )
+    text = "".join(seg.text for seg in segments)
+    return text.strip()
+
+with gr.Blocks() as demo:
+    gr.Markdown("# 🇯🇵 日本語 音声→テキスト（アップロードのみ）\n- 日本語の音声ファイル（最大2分）をアップロードしてください。\n- 変換後のテキストが下に表示されます。")
+    audio = gr.Audio(sources=["upload"], type="filepath", label="音声ファイルをアップロード（<2分）")
+    out = gr.Textbox(lines=8, label="テキスト")
+    gr.Button("文字起こし").click(transcribe_upload, inputs=[audio], outputs=[out])
+
+demo.queue(concurrency_count=2).launch()

packages.txt

@@ -0,0 +1 @@
+ffmpeg

requirements.txt

@@ -0,0 +1,3 @@
+faster-whisper>=1.1.0
+gradio>=4.40.0
+soundfile