Gradio に作り直して ZeroGPU を使えるようにする

ZeroGPU は Gradio SDK 専用で、Docker Space からは使えない。
PRO に付いているGPU枠を追加費用なしで使うため、画面を Gradio で組み直す。

- app.py を Gradio 版に置き換え（FastAPI + index.html は廃止）
- 文字起こしと話者分離を差し替え可能にし、ZeroGPU では GPU 付きの関数を渡す
- GPU は呼び出しのたびに別プロセスへ割り当てられるため、
cuda のときはモデルを使い回さず毎回作る
- faster-whisper が GPU を使うのに要る cuDNN / cuBLAS を先読みする
（site-packages にあるが動的リンカからは見えないため）
- 時刻クリックでの頭出し、設定の記憶、パスワード、自動削除は引き継いだ
- packages.txt で ffmpeg を入れる（Gradio SDK には Dockerfile が無いため）

実測（自分のPC・CPU）: 51秒の音声2本を46.5秒で処理、出力4種とも生成、
再生用音声も Gradio 経由で配信できることを確認。GPU 側は Space で要確認。

.dockerignore

@@ -1,6 +0,0 @@
-.venv/
-__pycache__/
-*.pyc
-.git/
-.claude/
-出力/

Dockerfile

@@ -1,37 +0,0 @@
-# HuggingFace Spaces / その他のコンテナ環境で動かすための定義。
-# 画面もモデルもこの1つの箱に入るので、どこに置いても同じ挙動になる。
-FROM python:3.12-slim
-
-# 音声の変換に ffmpeg（と長さを測る ffprobe）が要る
-RUN apt-get update \
- && apt-get install -y --no-install-recommends ffmpeg \
- && rm -rf /var/lib/apt/lists/*
-
-# Spaces は root で動かさない決まりなので、一般ユーザーを作る
-RUN useradd -m -u 1000 user
-USER user
-ENV HOME=/home/user \
-    PATH=/home/user/.local/bin:$PATH \
-    HF_HOME=/home/user/.cache/huggingface
-
-WORKDIR /home/user/app
-
-COPY --chown=user requirements.txt ./
-RUN pip install --no-cache-dir --upgrade pip \
- && pip install --no-cache-dir torch torchaudio --index-url https://download.pytorch.org/whl/cpu \
- && pip install --no-cache-dir -r requirements.txt
-
-# 文字起こしモデルを箱の中に焼いておく。
-# こうしないと、起動のたびに約1.6GBを取りに行って数分待たされる。
-RUN python -c "from faster_whisper import WhisperModel; WhisperModel('large-v3-turbo', device='cpu', compute_type='int8')"
-
-COPY --chown=user . ./
-
-# コンテナの外から届くようにする（自分のPCで動かすときは app.py の既定=127.0.0.1）
-ENV HOST=0.0.0.0 \
-    PORT=7860
-
-ENV HOSTED=1
-
-EXPOSE 7860
-CMD ["python", "app.py"]

README.md

@@ -3,8 +3,9 @@ title: 商談文字起こし
 emoji: 🎙️
 colorFrom: gray
 colorTo: indigo
-sdk: docker
-app_port: 7860
+sdk: gradio
+sdk_version: 6.25.0
+app_file: app.py
 pinned: false
 short_description: 商談録音のZIPを文字起こしして話者ごとにCSVにする
 ---
@@ -15,9 +16,13 @@ short_description: 商談録音のZIPを文字起こしして話者ごとにCSV
 
 - 文字起こし: Whisper large-v3 系（faster-whisper。GPUがあれば自動で使う）
 - 話者分離: pyannote.audio 3.1（任意。使うにはHuggingFaceのトークンが要る）
-- 動く場所: HuggingFace Spaces（URLでどのPCからでも）／ 自分のPC（ローカル完結）
+- 動く場所: HuggingFace Spaces の **ZeroGPU**（URLでどのPCからでも）／ 自分のPC（CPUで完結）
 
-同じコードが両方で動く。違いは環境変数だけ。
+同じコードが両方で動く。GPUがあれば使い、無ければCPUに落ちる。
+
+**ZeroGPU について。** PRO（月$9）に付いてくるGPU枠で、追加費用なしで使える。
+呼び出しのたびにGPUが割り当てられ、終わると解放される。
+Gradio SDK 専用の仕組みなので、このアプリは Gradio で作ってある（Docker Space では使えない）。
 
 ---
 
@@ -27,7 +32,7 @@ short_description: 商談録音のZIPを文字起こしして話者ごとにCSV
 
 1. https://huggingface.co/new-space を開く
 2. **Space name** に `shodan-mojiokoshi` など。**Owner** は個人でもOrganizationでも可
-3. **License** は任意。**Space SDK** は **Docker** → **Blank** を選ぶ
+3. **License** は任意。**Space SDK** は **Gradio** を選ぶ（ZeroGPU は Gradio 専用）
 4. **Public** を選ぶ（理由は下記）
 5. **Create Space**
 
@@ -54,7 +59,14 @@ Space の **Settings** → **Variables and secrets** → **New secret**
 `APP_PASSWORD` を設定しないと、**URLを知っている人は誰でも使えます**（その状態のときは画面に赤い警告が出ます）。
 Public にするなら、コードを送る前にここを設定しておく。
 
-### 1-3. コードを送る
+### 1-3. ハードウェアを ZeroGPU にする
+
+Space の **Settings** → **Space hardware** → **ZeroGPU** を選ぶ。
+PRO を契約していれば一覧に出る。追加費用はかからない。
+
+CPU basic のままでも動くが、録音1時間あたり30〜60分かかる。
+
+### 1-4. コードを送る
 
 Space のページに出ている git のURLを使って、このフォルダから送る。
 
@@ -83,9 +95,9 @@ Spaces の無料枠は 2 vCPU。**動くが、速くはない。**
 
 | ハードウェア | 料金 | 1時間の商談を文字起こしする時間 |
 |---|---|---|
-| CPU Basic（無料・初期設定） | ¥0 | 1〜2時間 |
+| **ZeroGPU（PRO に付属）** | **¥0**（$9のPRO内） | **数分** |
+| CPU Basic（無料） | ¥0 | 1〜2時間 |
 | CPU Upgrade（8 vCPU） | $0.03/時 | 20〜30分 |
-| Nvidia T4 small | $0.40/時 | 3〜5分 |
 
 **話者分離は既定でオフにしてある。** オンにすると処理時間が倍以上になるため。
 どちらが話したかが要るときだけチェックを入れる。
@@ -268,10 +280,9 @@ ffmpeg が要る。PowerShell で `winget install Gyan.FFmpeg`。
 
 ```
 spinthoughts/
-├── app.py            Webサーバー（アップロード・認証・進捗・出力）
+├── app.py            画面と実行（Gradio）。ZeroGPU の割り当てもここ
 ├── pipeline.py       ZIP展開 → 長さフィルタ → 文字起こし → 話者分離 → 統合
-├── index.html        画面
-├── Dockerfile        Spaces / コンテナ用
+├── packages.txt      Spaces に入れる OS 側のもの（ffmpeg）
 ├── setup.ps1         自分のPCで動かすための初回セットアップ
 ├── start.cmd         自分のPCでの起動
 ├── requirements.txt
@@ -293,9 +304,9 @@ spinthoughts/
 | `APP_PASSWORD` | 空（＝認証なし） | 設定すると閲覧にパスワードが要る |
 | `APP_USER` | `spin` | ログイン名 |
 | `HF_TOKEN` | 空 | 話者分離に使う |
-| `HOST` | `127.0.0.1` | コンテナでは `0.0.0.0` |
-| `PORT` | `8000` | Spaces では `7860` |
-| `HOSTED` | 空 | 設定すると画面の説明文が「サーバー処理」向けに変わる |
+| `HOST` | `127.0.0.1` | 外から繋ぐときは `0.0.0.0` |
+| `PORT` | `7860` | 待ち受けるポート |
+| `GPU_SECONDS` | `180` | ZeroGPU を1回の処理で確保する秒数 |
 
 ---
 
@@ -304,6 +315,8 @@ spinthoughts/
 | 症状 | 対処 |
 |---|---|
 | Space が Build error | ログの最後を見る。多くは requirements.txt の綴りかネットワーク。再ビルドで直ることもある |
+| GPUなのに遅い | Settings のハードウェアが ZeroGPU になっているか確認。CPU basic のままだと当然遅い |
+| `libcudnn` が無いと出る | faster-whisper が GPU を使うのに要るライブラリ。`pipeline.py` が先読みして回避しているが、それでも出るな��ログを見る |
 | Space が寝ている | 無料枠は48時間で寝る。開いて数分待つ |
 | パスワードを聞かれない | `APP_PASSWORD` が未設定。Settings → Secrets を確認 |
 | 話者分離モデルが読めない | HuggingFaceの2ページ両方で条件に同意したか、トークンが read 権限か確認 |

app.py

@@ -1,378 +1,418 @@
-"""
-ローカルで動く文字起こしWebアプリ。
+"""商談文字起こし（Gradio / ZeroGPU）
+
+HuggingFace Spaces の Gradio SDK で動かす。PRO に付いている ZeroGPU を使うと、
+文字起こしと話者分離が GPU で走る。GPU が無い環境（自分のPCなど）でも
+そのまま CPU で動く。
 
 起動:
     python app.py
-ブラウザ:
-    http://127.0.0.1:8000
-
-127.0.0.1 にのみ待ち受けるため、このPC以外からはアクセスできない。
 """
 
 from __future__ import annotations
 
-import base64
-import hmac
 import os
-import platform
 import shutil
 import tempfile
-import threading
 import time
 import traceback
-import uuid
 from pathlib import Path
 
-from fastapi import FastAPI, File, Form, HTTPException, Request, UploadFile
-from fastapi.responses import FileResponse, HTMLResponse, JSONResponse, Response
+import gradio as gr
 
 import pipeline as pl
 
-APP_DIR = Path(__file__).parent
-WORK_ROOT = Path(tempfile.gettempdir()) / "koe-okoshi"
-WORK_ROOT.mkdir(parents=True, exist_ok=True)
+# ---------------------------------------------------------------- ZeroGPU
 
-app = FastAPI(title="録音文字起こし")
-JOBS: dict[str, dict] = {}
-LOCK = threading.Lock()
+# Spaces では spaces パッケージが入っている。自分のPCには無いので、
+# 無ければ「何もしない飾り」に差し替えて同じコードが動くようにする。
+try:
+    import spaces  # type: ignore
 
-# インターネットに置くときは APP_PASSWORD を設定する。
-# 未設定なら素通し（自分のPCで動かすときはこれで困らない）。
-APP_USER = os.environ.get("APP_USER", "spin")
-APP_PASSWORD = os.environ.get("APP_PASSWORD", "")
+    HAS_SPACES = True
+except ImportError:  # 自分のPCで動かすとき
+    spaces = None
+    HAS_SPACES = False
 
+ON_ZERO_GPU = HAS_SPACES and os.environ.get("SPACES_ZERO_GPU") is not None
+GPU_DEVICE = "cuda" if ON_ZERO_GPU else ""
 
-@app.middleware("http")
-async def require_password(request: Request, call_next):
-    if not APP_PASSWORD:
-        return await call_next(request)
+# 1回のGPU割り当てで使える時間。長い録音でも足りるように多めに取る。
+GPU_SECONDS = int(os.environ.get("GPU_SECONDS", "180"))
 
-    header = request.headers.get("authorization", "")
-    if header.startswith("Basic "):
-        try:
-            user, _, password = base64.b64decode(header[6:]).decode("utf-8").partition(":")
-            # 文字列比較の時間差から答えが漏れないように compare_digest を使う
-            if hmac.compare_digest(user, APP_USER) and hmac.compare_digest(password, APP_PASSWORD):
-                return await call_next(request)
-        except Exception:
-            pass
-
-    return Response(
-        "パスワードが必要です。",
-        status_code=401,
-        headers={"WWW-Authenticate": 'Basic realm="spinthoughts"'},
-    )
 
+def on_gpu(fn):
+    """ZeroGPU のときだけ GPU を割り当てる。それ以外は素通し。"""
+    if not ON_ZERO_GPU:
+        return fn
+    return spaces.GPU(duration=GPU_SECONDS)(fn)
 
-# 聞き返す用の音声を残すので、放っておくとディスクが埋まる。
-# 商談の音声を必要以上に置いておかないためでもある。
-JOB_TTL_SECONDS = 6 * 3600
 
+@on_gpu
+def transcribe_on_gpu(wav, model_size, prompt, fast):
+    return pl.transcribe_file(Path(wav), model_size, prompt, fast, device=GPU_DEVICE)
 
-def sweep_old_jobs() -> None:
-    """古い処理の音声と出力を消す。新しい処理を始めるたびに呼ぶ。"""
-    now = time.time()
 
-    with LOCK:
-        stale = [
-            job_id for job_id, job in JOBS.items()
-            if now - job.get("createdAt", now) > JOB_TTL_SECONDS
-        ]
-        for job_id in stale:
-            JOBS.pop(job_id, None)
+@on_gpu
+def diarize_on_gpu(wav, hf_token, num_speakers):
+    return pl.diarize(Path(wav), hf_token, num_speakers, device=GPU_DEVICE)
+
 
-    for job_id in stale:
-        shutil.rmtree(WORK_ROOT / job_id, ignore_errors=True)
+# ---------------------------------------------------------------- 置き場所
 
-    # 再起動をまたいで残った置き場所も片付ける
-    for path in WORK_ROOT.iterdir() if WORK_ROOT.exists() else []:
+WORK_ROOT = Path(tempfile.gettempdir()) / "spinthoughts"
+WORK_ROOT.mkdir(parents=True, exist_ok=True)
+
+# 商談の音声を必要以上に置いておかないため、古いものは消す
+JOB_TTL_SECONDS = 6 * 3600
+
+
+def sweep_old_jobs() -> None:
+    now = time.time()
+    for path in WORK_ROOT.iterdir():
         try:
-            if path.is_dir() and path.name not in JOBS                     and now - path.stat().st_mtime > JOB_TTL_SECONDS:
+            if path.is_dir() and now - path.stat().st_mtime > JOB_TTL_SECONDS:
                 shutil.rmtree(path, ignore_errors=True)
         except OSError:
             continue
 
 
-def update(job_id: str, **fields) -> None:
-    with LOCK:
-        if job_id in JOBS:
-            JOBS[job_id].update(fields)
-
-
-def serialize(results: list[pl.FileResult]) -> list[dict]:
-    return [
-        {
-            "index": i,
-            "shortName": os.path.basename(r.original_name),
-            "name": r.original_name,
-            "duration": round(r.duration, 1),
-            "durationLabel": pl.hhmmss(r.duration),
-            "recordedAt": r.recorded_at,
-            "status": r.status,
-            "reason": r.reason,
-            "speakers": r.speakers,
-            "hasAudio": r.playback is not None,
-            "talk": [
-                {"name": name, "seconds": round(secs, 1), "count": count}
-                for name, secs, count in pl.speaking_time(r)
-            ],
-            "utterances": [
-                {
-                    "start": pl.hhmmss(u.start),
-                    "startSeconds": round(u.start, 2),
-                    "end": pl.hhmmss(u.end),
-                    "speaker": u.speaker,
-                    "text": u.text,
-                    "needsReview": u.needs_review,
-                    "reviewNote": u.review_note,
-                }
-                for u in r.utterances
-            ],
-        }
-        for i, r in enumerate(results, 1)
-    ]
-
-
-def worker(job_id: str, sources: list[Path], options: dict) -> None:
-    workdir = WORK_ROOT / job_id
-    try:
-        def progress(message: str, done: int, total: int) -> None:
-            update(job_id, message=message, done=done, total=total)
-
-        results = pl.run(sources=sources, workdir=workdir, progress=progress, **options)
-
-        update(job_id, message="ファイルを書き出しています")
-        outputs = pl.build_outputs(results, workdir / "出力", job_id)
-
-        transcribed = sum(1 for r in results if r.status == "transcribed")
-        skipped = sum(1 for r in results if r.status == "skipped")
-        failed = sum(1 for r in results if r.status == "error")
-
-        update(
-            job_id,
-            state="done",
-            message="完了",
-            results=serialize(results),
-            summary={
-                "total": len(results),
-                "transcribed": transcribed,
-                "skipped": skipped,
-                "failed": failed,
-                "flagged": sum(
-                    1 for r in results for u in r.utterances if u.needs_review
-                ),
-            },
-            outputs=outputs,
-            hasXlsx=outputs.get("xlsx") is not None,
-        )
-    except Exception as exc:
-        traceback.print_exc()
-        update(job_id, state="error", message=str(exc))
-    finally:
-        # 元の音声と作業用ファイルは消す。聞き返す用の音声（再生用）だけ残す。
-        shutil.rmtree(workdir / "audio", ignore_errors=True)
-        shutil.rmtree(workdir / "wav", ignore_errors=True)
-        shutil.rmtree(workdir / "受け取り", ignore_errors=True)
-
-
-# 画面を開いた時点で読み込みを始めておく。最初の1本を待たせないため。
-threading.Thread(target=pl.preload, daemon=True).start()
-
-
-@app.get("/", response_class=HTMLResponse)
-def index() -> str:
-    return (APP_DIR / "index.html").read_text(encoding="utf-8")
-
-
-def ffmpeg_hint() -> str:
-    if pl.IS_WINDOWS:
-        return "winget install Gyan.FFmpeg"
-    if platform.system() == "Darwin":
-        return "brew install ffmpeg"
-    return "apt-get install ffmpeg"
-
-
-@app.get("/environment")
-def environment(request: Request) -> JSONResponse:
-    # 自分のPCから開いているのでなければ、公開先とみなす。
-    # HOSTED を立て忘れても警告が消えないように、接続元から判断する。
-    client = request.client.host if request.client else ""
-    hosted = bool(os.environ.get("HOSTED")) or client not in ("127.0.0.1", "::1", "localhost")
-
-    return JSONResponse({
-        "appleSilicon": pl.is_apple_silicon(),
-        "ffmpeg": pl.tool_path("ffmpeg") is not None and pl.tool_path("ffprobe") is not None,
-        "ffmpegHint": ffmpeg_hint(),
-        "gpu": pl.gpu_label(),
-        "cpuThreads": pl.cpu_threads(),
-        "modelReady": pl.is_model_ready(),
-        "defaultModel": pl.default_model_size(),
-        "tokenFromEnv": bool(os.environ.get("HF_TOKEN")),
-        "passwordSet": bool(APP_PASSWORD),
-        "hosted": hosted,
-        "defaultPrompt": pl.DEFAULT_PROMPT,
-    })
-
-
-@app.post("/jobs")
-async def create_job(
-    files: list[UploadFile] = File(...),
-    minSeconds: float = Form(60.0),
-    modelSize: str = Form(""),
-    numSpeakers: int = Form(0),
-    diarization: bool = Form(False),
-    fast: bool = Form(True),
-    prompt: str = Form(pl.DEFAULT_PROMPT),
-    hfToken: str = Form(""),
-) -> JSONResponse:
-    accepted = {".zip"} | pl.AUDIO_EXT
-    for item in files:
-        if Path(item.filename or "").suffix.lower() not in accepted:
-            raise HTTPException(
-                400,
-                f"{item.filename} は扱えません。ZIP、または音声ファイルを選んでください。",
+# ---------------------------------------------------------------- 画面に出す形
+
+STATUS_MARK = {"transcribed": "", "skipped": "除外", "error": "失敗"}
+
+
+def esc(text) -> str:
+    return (
+        str(text)
+        .replace("&", "&")
+        .replace("<", "&lt;")
+        .replace(">", "&gt;")
+        .replace('"', "&quot;")
+    )
+
+
+def audio_url(path: Path) -> str:
+    return "/gradio_api/file=" + Path(path).as_posix()
+
+
+def render(results) -> str:
+    """録音ごとのカード。時刻を押すとその位置から音声が鳴る。"""
+    if not results:
+        return ""
+
+    cards = []
+    for i, entry in enumerate(results, 1):
+        audio_id = "audio-%d" % i
+        tag = STATUS_MARK.get(entry.status, "")
+        meta = " · ".join(x for x in [
+            pl.hhmmss(entry.duration),
+            entry.recorded_at,
+            ("%d発話" % len(entry.utterances)) if entry.status == "transcribed" else "",
+            entry.reason or "",
+        ] if x)
+
+        player = ""
+        if entry.playback:
+            player = (
+                '<audio id="%s" class="player" controls preload="none" src="%s"></audio>'
+                % (audio_id, audio_url(entry.playback))
             )
 
-    token = hfToken.strip() or os.environ.get("HF_TOKEN", "")
+        talk = pl.speaking_time(entry)
+        talk_html = ""
+        if len(talk) > 1:
+            parts = [
+                "<span><b>%s</b> %d分%02d秒・%d回</span>"
+                % (esc(name), int(secs // 60), int(secs % 60), count)
+                for name, secs, count in talk
+            ]
+            talk_html = '<div class="talk">%s</div>' % "".join(parts)
+
+        palette = {}
+        lines = []
+        for u in entry.utterances:
+            if u.speaker not in palette:
+                palette[u.speaker] = len(palette) % 5
+            flag = ""
+            if u.needs_review:
+                flag = '<span class="flag" title="%s">要確認</span>' % esc(u.review_note)
+            who = '<span class="who">%s</span>' % esc(u.speaker) if u.speaker else ""
+            lines.append(
+                '<div class="line">'
+                '<button class="seek" data-audio="%s" data-t="%.2f">%s</button>'
+                '<span class="spine sp%d"></span>'
+                '<span class="said">%s<span class="what">%s%s</span></span>'
+                "</div>"
+                % (audio_id, u.start, pl.hhmmss(u.start), palette[u.speaker],
+                   who, esc(u.text), flag)
+            )
+
+        if lines:
+            body = '<div class="score">%s</div>' % "".join(lines)
+        else:
+            body = '<p class="empty">%s</p>' % esc(
+                entry.reason or "発話を検出できませんでした。"
+            )
+
+        cards.append(
+            '<details class="file"%s>'
+            '<summary><span class="no">%03d</span>'
+            '<span class="file-name">%s</span>%s'
+            '<span class="file-meta">%s</span></summary>'
+            '<div class="file-body">%s%s%s</div>'
+            "</details>"
+            % (
+                " open" if entry.status == "transcribed" else "",
+                i,
+                esc(os.path.basename(entry.original_name)),
+                ('<span class="tag">%s</span>' % tag) if tag else "",
+                esc(meta),
+                player, talk_html, body,
+            )
+        )
+
+    return '<div class="results">%s</div>' % "".join(cards)
+
+
+def summarize(results) -> str:
+    transcribed = sum(1 for r in results if r.status == "transcribed")
+    skipped = sum(1 for r in results if r.status == "skipped")
+    failed = sum(1 for r in results if r.status == "error")
+    flagged = sum(1 for r in results for u in r.utterances if u.needs_review)
+    return (
+        "**書き起こし %d** ／ 長さ不足で除外 %d ／ 失敗 %d ／ 要確認 %d"
+        % (transcribed, skipped, failed, flagged)
+    )
+
+
+# ---------------------------------------------------------------- 実行
+
+
+def process(files, min_seconds, model_size, num_speakers, diarization, fast, prompt,
+            hf_token, progress=gr.Progress()):
+    if not files:
+        raise gr.Error("音声ファイルかZIPを選んでください。")
+
+    token = (hf_token or "").strip() or os.environ.get("HF_TOKEN", "")
     if diarization and not token:
-        raise HTTPException(
-            400,
-            "話者分離にはHuggingFaceのアクセストークンが必要です。"
-            "トークンを入力するか、話者分離をオフにしてください。",
+        raise gr.Error(
+            "話者分離にはHuggingFaceのトークンが必要です。"
+            "トークンを入れるか、話者分離をオフにしてください。"
         )
 
     sweep_old_jobs()
+    workdir = Path(tempfile.mkdtemp(prefix="job-", dir=WORK_ROOT))
 
-    job_id = uuid.uuid4().hex[:12]
-    workdir = WORK_ROOT / job_id
-    workdir.mkdir(parents=True, exist_ok=True)
-
+    # Gradio が置く一時ファイルは名前が変わることがある���で、元の名前で置き直す
     upload_dir = workdir / "受け取り"
     upload_dir.mkdir(parents=True, exist_ok=True)
-
-    sources: list[Path] = []
+    sources = []
     for item in files:
-        # 送られてきた名前をそのまま置き場所にしない（パスに化ける文字を落とす）
-        name = pl.safe_filename(item.filename or "音声")
-        target = upload_dir / name
+        src = Path(item if isinstance(item, str) else item.name)
+        target = upload_dir / pl.safe_filename(src.name)
         counter = 1
         while target.exists():
-            target = upload_dir / f"{Path(name).stem}__{counter}{Path(name).suffix}"
+            target = upload_dir / ("%s__%d%s" % (target.stem, counter, target.suffix))
             counter += 1
-        with open(target, "wb") as out:
-            shutil.copyfileobj(item.file, out)
+        shutil.copyfile(src, target)
         sources.append(target)
 
-    with LOCK:
-        JOBS[job_id] = {
-            "state": "running",
-            "message": "準備しています",
-            "createdAt": time.time(),
-            "done": 0,
-            "total": 0,
-            "results": [],
-            "summary": None,
-            "csv": None,
-        }
-
-    options = {
-        "min_seconds": max(0.0, minSeconds),
-        "model_size": modelSize or pl.default_model_size(),
-        "num_speakers": numSpeakers if numSpeakers > 0 else None,
-        "diarization_enabled": diarization,
-        "fast": fast,
-        "prompt": prompt,
-        "hf_token": token,
-    }
-
-    threading.Thread(target=worker, args=(job_id, sources, options), daemon=True).start()
-    return JSONResponse({"jobId": job_id})
-
-
-@app.get("/jobs/{job_id}")
-def job_status(job_id: str) -> JSONResponse:
-    with LOCK:
-        job = JOBS.get(job_id)
-    if not job:
-        raise HTTPException(404, "処理が見つかりません。")
-    return JSONResponse({k: v for k, v in job.items() if k != "outputs"})
-
-
-def _outputs(job_id: str) -> dict:
-    with LOCK:
-        job = JOBS.get(job_id)
-    if not job or not job.get("outputs"):
-        raise HTTPException(404, "出力がまだありません。")
-    return job["outputs"]
-
-
-@app.get("/jobs/{job_id}/audio/{index}")
-def play_audio(job_id: str, index: int) -> FileResponse:
-    """文字起こしした音声を聞き返すためのもの。"""
-    with LOCK:
-        job = JOBS.get(job_id)
-    if not job:
-        raise HTTPException(404, "処理が見つかりません。")
-
-    path = WORK_ROOT / job_id / "再生用" / f"{index - 1:03d}.mp3"
-    if not path.exists():
-        raise HTTPException(404, "この録音の音声は残っていません。")
-    return FileResponse(path, media_type="audio/mpeg")
-
-
-@app.get("/jobs/{job_id}/bundle")
-def download_bundle(job_id: str) -> FileResponse:
-    out = _outputs(job_id)
-    return FileResponse(
-        out["bundle"], media_type="application/zip", filename=f"文字起こし_{job_id}.zip"
-    )
+    def notify(message, done, total):
+        progress((done, total) if total else 0, desc=message)
+
+    try:
+        results = pl.run(
+            sources=sources,
+            workdir=workdir,
+            min_seconds=max(0.0, float(min_seconds or 0)),
+            model_size=model_size,
+            num_speakers=int(num_speakers) if num_speakers and int(num_speakers) > 0 else None,
+            diarization_enabled=bool(diarization),
+            fast=bool(fast),
+            prompt=prompt or "",
+            hf_token=token,
+            progress=notify,
+            transcriber=transcribe_on_gpu if ON_ZERO_GPU else None,
+            diarizer=diarize_on_gpu if ON_ZERO_GPU else None,
+        )
+    except Exception as exc:
+        traceback.print_exc()
+        raise gr.Error(str(exc))
+
+    progress(0, desc="ファイルを書き出しています")
+    outputs = pl.build_outputs(results, workdir / "出力", workdir.name)
+
+    # 元の音声と作業用ファイルは消す。聞き返す用（再生用）だけ残す。
+    shutil.rmtree(workdir / "audio", ignore_errors=True)
+    shutil.rmtree(workdir / "wav", ignore_errors=True)
+    shutil.rmtree(upload_dir, ignore_errors=True)
+
+    downloads = [outputs["bundle"]]
+    if outputs.get("xlsx"):
+        downloads.append(outputs["xlsx"])
+    downloads += [outputs["all_csv"], outputs["index_csv"]]
+
+    return summarize(results), render(results), [str(p) for p in downloads]
+
+
+# ---------------------------------------------------------------- 画面
+
+HEAD = """
+<script>
+/* 時刻を押したら、その位置から音声を鳴らす。
+   結果は後から差し込まれるので、document 側でまとめて受ける。 */
+document.addEventListener("click", function (e) {
+  var btn = e.target.closest("button.seek");
+  if (!btn) return;
+  e.preventDefault();
+  var audio = document.getElementById(btn.dataset.audio);
+  if (!audio) return;
+  audio.currentTime = parseFloat(btn.dataset.t || "0");
+  audio.play().catch(function () {});
+});
+</script>
+"""
 
+CSS = """
+.results { --rule: #ccd3d8; --soft: #5a636b; --faint: #8b939a; --accent: #1f5f5b; }
+.results .file { border: 1px solid var(--rule); border-radius: 8px; margin-bottom: 10px; }
+.results summary { padding: 12px 14px; cursor: pointer; display: flex; gap: 10px;
+  align-items: baseline; flex-wrap: wrap; }
+.results .no { font-family: ui-monospace, monospace; font-size: 11px; color: var(--faint); }
+.results .file-name { font-weight: 600; }
+.results .file-meta { font-size: 12px; color: var(--faint); margin-left: auto; }
+.results .tag { font-size: 11px; padding: 1px 7px; border-radius: 3px;
+  background: #eceff1; color: var(--soft); }
+.results .file-body { padding: 0 14px 14px; }
+.results .player { width: 100%; height: 36px; margin-bottom: 10px; }
+.results .talk { display: flex; gap: 14px; flex-wrap: wrap; font-size: 12px;
+  color: var(--soft); margin-bottom: 8px; }
+.results .line { display: flex; gap: 10px; padding: 8px 0; border-top: 1px dotted var(--rule); }
+.results button.seek { font-family: ui-monospace, monospace; font-size: 11.5px;
+  color: var(--faint); background: none; border: none; padding: 3px 0 0;
+  cursor: pointer; text-decoration: underline; flex: none; width: 62px; text-align: left; }
+.results button.seek:hover { color: var(--accent); }
+.results .spine { width: 3px; border-radius: 2px; flex: none; background: var(--faint); }
+.results .sp0 { background: #1f5f5b; } .results .sp1 { background: #9a4f22; }
+.results .sp2 { background: #4b4a86; } .results .sp3 { background: #8c2f4d; }
+.results .sp4 { background: #40682a; }
+.results .said { flex: 1; min-width: 0; }
+.results .who { display: block; font-family: ui-monospace, monospace; font-size: 10.5px;
+  color: var(--soft); }
+.results .what { font-size: 14.5px; line-height: 1.75; word-break: break-word; }
+.results .flag { font-size: 10px; color: #8a5512; background: #f2e6d2;
+  padding: 1px 6px; border-radius: 2px; margin-left: 6px; }
+.results .empty { color: var(--faint); font-size: 13px; }
+"""
 
-@app.get("/jobs/{job_id}/xlsx")
-def download_xlsx(job_id: str) -> FileResponse:
-    out = _outputs(job_id)
-    if not out.get("xlsx"):
-        raise HTTPException(404, "Excelを作成できませんでした。openpyxl を導入してください。")
-    return FileResponse(
-        out["xlsx"],
-        media_type="application/vnd.openxmlformats-officedocument.spreadsheetml.sheet",
-        filename=f"録音ごと_{job_id}.xlsx",
+AUDIO_TYPES = [
+    ".zip", ".wav", ".mp3", ".m4a", ".mp4", ".aac", ".flac", ".ogg", ".opus",
+    ".wma", ".amr", ".3gp", ".mov", ".aif", ".aiff",
+]
+
+DEFAULTS = {
+    "min_seconds": 60,
+    "model_size": "large-v3-turbo",
+    "num_speakers": 2,
+    "diarization": False,
+    "fast": True,
+}
+
+
+def environment_note() -> str:
+    if ON_ZERO_GPU:
+        return "**ZeroGPU で動作中。** 処理のたびにGPUが割り当てられます。"
+    if pl.gpu_label():
+        return "**%s で動作中。**" % pl.gpu_label()
+    return (
+        "**CPU処理（%dスレッド）。** 録音1時間あたり30〜60分かかります。"
+        % pl.cpu_threads()
     )
 
 
-@app.get("/jobs/{job_id}/all-csv")
-def download_all_csv(job_id: str) -> FileResponse:
-    out = _outputs(job_id)
-    return FileResponse(
-        out["all_csv"], media_type="text/csv", filename=f"全発話_{job_id}.csv"
+with gr.Blocks(title="商談文字起こし") as demo:
+    gr.Markdown("# 商談文字起こし")
+    gr.Markdown(
+        "音声ファイルやZIPを入れると、一定の長さ以上の録音だけを文字起こししてCSVにします。  \n"
+        + environment_note()
     )
 
+    saved = gr.BrowserState(DEFAULTS, storage_key="spinthoughts.settings.v3")
 
-@app.get("/jobs/{job_id}/files/{index}.{kind}")
-def download_one(job_id: str, index: int, kind: str) -> FileResponse:
-    out = _outputs(job_id)
-    record = next((r for r in out["per_file"] if r["index"] == index), None)
-    if not record:
-        raise HTTPException(404, "その録音が見つかりません。")
-    if kind == "txt":
-        return FileResponse(
-            record["txt"], media_type="text/plain; charset=utf-8",
-            filename=f"{record['stem']}.txt",
+    files = gr.File(
+        label="音声ファイル または ZIP（複数可）",
+        file_count="multiple",
+        file_types=AUDIO_TYPES,
+    )
+
+    with gr.Row():
+        min_seconds = gr.Number(
+            DEFAULTS["min_seconds"], label="この長さ以上だけ処理する（秒）",
+            info="これより短い録音は文字起こしせず、一覧にだけ残します",
+        )
+        model_size = gr.Dropdown(
+            [("標準（turbo・速くて実用精度）", "large-v3-turbo"),
+             ("速度優先（small・誤変換が増えます）", "small"),
+             ("精度優先（large-v3・遅い）", "large-v3")],
+            value=DEFAULTS["model_size"], label="精度",
         )
-    if kind == "csv" and record.get("csv"):
-        return FileResponse(
-            record["csv"], media_type="text/csv", filename=f"{record['stem']}.csv"
+        num_speakers = gr.Number(
+            DEFAULTS["num_speakers"], label="話者の人数",
+            info="話者を分けるときだけ使います。0で自動判定",
         )
-    raise HTTPException(404, "その形式は用意されていません。")
+
+    with gr.Row():
+        diarization = gr.Checkbox(DEFAULTS["diarization"], label="話者を分けて記録する")
+        fast = gr.Checkbox(DEFAULTS["fast"], label="速さを優先する")
+
+    prompt = gr.Textbox(
+        pl.DEFAULT_PROMPT, label="よく出る言葉", lines=3,
+        info="業務でよく使う語を書いておくと、固有名詞や専門用語の精度が上がります",
+    )
+
+    hf_token = gr.Textbox(
+        "", label="HuggingFaceトークン", type="password",
+        visible=not os.environ.get("HF_TOKEN"),
+        info="話者分離に必要です。Space の Secret に HF_TOKEN があれば表示されません",
+    )
+
+    run = gr.Button("文字起こしを始める", variant="primary")
+
+    summary = gr.Markdown()
+    downloads = gr.Files(label="出力（ZIP一式・Excel・全発話CSV・処理結果一覧）")
+    results = gr.HTML()
+
+    run.click(
+        process,
+        inputs=[files, min_seconds, model_size, num_speakers, diarization, fast,
+                prompt, hf_token],
+        outputs=[summary, results, downloads],
+        api_name='transcribe',
+    )
+
+    # --- 設定を覚える --------------------------------------------------------
+    settings = [min_seconds, model_size, num_speakers, diarization, fast]
+
+    def restore(store):
+        store = store or {}
+        return [store.get(key, value) for key, value in DEFAULTS.items()]
+
+    def remember(*values):
+        return dict(zip(DEFAULTS.keys(), values))
+
+    demo.load(restore, inputs=saved, outputs=settings)
+    for component in settings:
+        component.change(remember, inputs=settings, outputs=saved)
 
 
 if __name__ == "__main__":
-    import uvicorn
-
-    # 既定は 127.0.0.1（自分のPCからしか開けない）。
-    # コンテナで動かすときだけ HOST=0.0.0.0 を渡す。
-    uvicorn.run(
-        app,
-        host=os.environ.get("HOST", "127.0.0.1"),
-        port=int(os.environ.get("PORT", "8000")),
+    password = os.environ.get("APP_PASSWORD")
+    demo.launch(
+        server_name=os.environ.get("HOST", "127.0.0.1"),
+        server_port=int(os.environ.get("PORT", "7860")),
+        auth=(os.environ.get("APP_USER", "spin"), password) if password else None,
+        allowed_paths=[str(WORK_ROOT)],
+        head=HEAD,
+        css=CSS,
+        theme=gr.themes.Soft(primary_hue="teal"),
     )

index.html

@@ -1,793 +0,0 @@
-<!DOCTYPE html>
-<html lang="ja">
-<head>
-<meta charset="utf-8">
-<meta name="viewport" content="width=device-width, initial-scale=1">
-<title>録音文字起こし</title>
-<style>
-  :root {
-    --paper: #e7eaec;
-    --card: #fbfbfc;
-    --ink: #171b20;
-    --ink-soft: #5a636b;
-    --ink-faint: #8b939a;
-    --rule: #ccd3d8;
-    --accent: #1f5f5b;
-    --accent-soft: #d9e5e3;
-    --warn: #8a5512;
-    --warn-soft: #f2e6d2;
-    --sp-0: #1f5f5b;
-    --sp-1: #9a4f22;
-    --sp-2: #4b4a86;
-    --sp-3: #8c2f4d;
-    --sp-4: #40682a;
-    --mono: ui-monospace, "SF Mono", Menlo, Consolas, monospace;
-    --sans: -apple-system, BlinkMacSystemFont, "Hiragino Sans", "Yu Gothic Medium",
-            "Noto Sans JP", sans-serif;
-  }
-
-  * { box-sizing: border-box; }
-
-  body {
-    margin: 0;
-    background: var(--paper);
-    color: var(--ink);
-    font-family: var(--sans);
-    font-size: 15px;
-    line-height: 1.7;
-    -webkit-font-smoothing: antialiased;
-  }
-
-  .wrap { max-width: 940px; margin: 0 auto; padding: 40px 20px 96px; }
-
-  /* ---------- header ---------- */
-  .masthead { border-bottom: 2px solid var(--ink); padding-bottom: 16px; margin-bottom: 32px; }
-  .masthead h1 {
-    margin: 0;
-    font-size: 27px;
-    font-weight: 700;
-    letter-spacing: 0.06em;
-  }
-  .masthead p { margin: 6px 0 0; color: var(--ink-soft); font-size: 13.5px; }
-
-  .chips { display: flex; flex-wrap: wrap; gap: 6px; margin-top: 14px; }
-  .chip {
-    font-family: var(--mono);
-    font-size: 11px;
-    letter-spacing: 0.04em;
-    padding: 3px 9px;
-    border: 1px solid var(--rule);
-    border-radius: 2px;
-    background: var(--card);
-    color: var(--ink-soft);
-  }
-  .chip.ok { border-color: var(--accent); color: var(--accent); background: var(--accent-soft); }
-  .chip.bad { border-color: var(--warn); color: var(--warn); background: var(--warn-soft); }
-
-  /* ---------- panels ---------- */
-  .panel {
-    background: var(--card);
-    border: 1px solid var(--rule);
-    border-radius: 3px;
-    padding: 22px;
-    margin-bottom: 20px;
-  }
-  .panel h2 {
-    margin: 0 0 18px;
-    font-size: 12px;
-    font-family: var(--mono);
-    letter-spacing: 0.14em;
-    text-transform: uppercase;
-    color: var(--ink-faint);
-    font-weight: 600;
-  }
-
-  /* ---------- drop zone ---------- */
-  .drop {
-    border: 1.5px dashed var(--rule);
-    border-radius: 3px;
-    padding: 30px 20px;
-    text-align: center;
-    cursor: pointer;
-    background: transparent;
-    transition: border-color .15s, background .15s;
-    display: block;
-    width: 100%;
-    font: inherit;
-    color: inherit;
-  }
-  .drop:hover, .drop.hot { border-color: var(--accent); background: var(--accent-soft); }
-  .drop:focus-visible { outline: 2px solid var(--accent); outline-offset: 3px; }
-  .drop strong { display: block; font-size: 16px; }
-  .drop span { color: var(--ink-soft); font-size: 13px; }
-  .drop .picked { font-family: var(--mono); font-size: 13px; color: var(--accent); word-break: break-all; }
-
-  /* ---------- form ---------- */
-  .grid { display: grid; grid-template-columns: repeat(2, 1fr); gap: 16px; margin-top: 22px; }
-  .field { display: flex; flex-direction: column; gap: 5px; }
-  .field label { font-size: 12.5px; font-weight: 600; letter-spacing: .02em; }
-  .field .hint { font-size: 11.5px; color: var(--ink-faint); line-height: 1.5; }
-  .field input, .field select, .field textarea {
-    font: inherit;
-    font-size: 14px;
-    padding: 8px 10px;
-    border: 1px solid var(--rule);
-    border-radius: 2px;
-    background: #fff;
-    color: var(--ink);
-    width: 100%;
-  }
-  .field textarea { resize: vertical; min-height: 66px; line-height: 1.6; }
-  .field input:focus, .field select:focus, .field textarea:focus {
-    outline: 2px solid var(--accent); outline-offset: -1px; border-color: var(--accent);
-  }
-  .field.span2 { grid-column: 1 / -1; }
-  .check { display: flex; align-items: center; gap: 8px; }
-  .check input { width: auto; }
-
-  .actions { display: flex; align-items: center; gap: 14px; margin-top: 22px; flex-wrap: wrap; }
-  button.go {
-    font: inherit; font-weight: 600; font-size: 14.5px;
-    background: var(--accent); color: #fff;
-    border: none; border-radius: 2px; padding: 11px 26px; cursor: pointer;
-    letter-spacing: .04em;
-  }
-  button.go:hover { background: #174a47; }
-  button.go:disabled { background: var(--ink-faint); cursor: not-allowed; }
-  button.go:focus-visible { outline: 2px solid var(--ink); outline-offset: 2px; }
-
-  a.dl {
-    font-family: var(--mono); font-size: 13px; letter-spacing: .03em;
-    color: var(--accent); border: 1px solid var(--accent);
-    padding: 9px 18px; border-radius: 2px; text-decoration: none;
-  }
-  a.dl:hover { background: var(--accent-soft); }
-
-  .error { color: var(--warn); font-size: 13px; }
-
-  /* ---------- progress ---------- */
-  .bar { height: 5px; background: var(--rule); border-radius: 3px; overflow: hidden; }
-  .bar i { display: block; height: 100%; width: 0; background: var(--accent); transition: width .3s ease; }
-  .track { display: flex; justify-content: space-between; gap: 12px; margin-bottom: 9px; font-size: 13px; }
-  .track .now { color: var(--ink-soft); overflow: hidden; text-overflow: ellipsis; white-space: nowrap; }
-  .track .count { font-family: var(--mono); color: var(--ink-faint); flex: none; }
-
-  /* ---------- summary ---------- */
-  .tally { display: flex; gap: 28px; flex-wrap: wrap; }
-  .tally div { display: flex; flex-direction: column; }
-  .tally b { font-family: var(--mono); font-size: 26px; font-weight: 600; line-height: 1.2; }
-  .tally span { font-size: 11.5px; color: var(--ink-faint); letter-spacing: .04em; }
-
-  /* ---------- per-recording cards ---------- */
-  .file {
-    border: 1px solid var(--rule);
-    border-radius: 3px;
-    margin-bottom: 12px;
-    background: #fff;
-    overflow: hidden;
-  }
-  .file[open] { border-color: var(--accent); }
-  .file > summary {
-    padding: 14px 16px;
-    cursor: pointer;
-    list-style: none;
-    display: block;
-  }
-  .file > summary::-webkit-details-marker { display: none; }
-  .file > summary:hover { background: var(--accent-soft); }
-  .file > summary:focus-visible { outline: 2px solid var(--accent); outline-offset: -2px; }
-  .file[open] > summary { border-bottom: 1px solid var(--rule); background: var(--card); }
-  .file-body { padding: 4px 16px 16px; }
-
-  .no {
-    font-family: var(--mono); font-size: 11px; color: var(--ink-faint);
-    flex: none; padding-top: 2px;
-  }
-  .file-head { display: flex; align-items: baseline; gap: 10px; flex-wrap: wrap; }
-  .file-name { font-size: 14.5px; font-weight: 600; word-break: break-all; flex: 1 1 200px; }
-  .file-meta { font-family: var(--mono); font-size: 11.5px; color: var(--ink-faint); flex: none; }
-  .preview {
-    margin: 6px 0 0; font-size: 13px; color: var(--ink-soft);
-    overflow: hidden; text-overflow: ellipsis; white-space: nowrap;
-  }
-  .file-tools { display: flex; gap: 8px; flex-wrap: wrap; margin: 12px 0 4px; }
-  .file-tools a, .file-tools button {
-    font-family: var(--mono); font-size: 11.5px; letter-spacing: .03em;
-    color: var(--ink-soft); background: transparent;
-    border: 1px solid var(--rule); border-radius: 2px;
-    padding: 5px 11px; text-decoration: none; cursor: pointer;
-  }
-  .file-tools a:hover, .file-tools button:hover { border-color: var(--accent); color: var(--accent); }
-  .len { position: relative; height: 6px; background: var(--rule); border-radius: 2px; margin-top: 9px; }
-  .len i { display: block; height: 100%; border-radius: 2px; background: var(--accent); }
-  .len.cut i { background: var(--ink-faint); opacity: .5; }
-  .len .gate { position: absolute; top: -3px; bottom: -3px; width: 1px; background: var(--warn); }
-  .tag {
-    font-family: var(--mono); font-size: 10.5px; letter-spacing: .05em;
-    padding: 2px 7px; border-radius: 2px; flex: none;
-  }
-  .tag.cut { background: var(--rule); color: var(--ink-soft); }
-  .tag.err { background: var(--warn-soft); color: var(--warn); }
-
-  /* ---------- transcript score ---------- */
-  .score { margin-top: 14px; }
-  .line { display: flex; gap: 12px; padding: 7px 0; border-top: 1px dotted var(--rule); }
-  .line:first-child { border-top: none; }
-  .time { font-family: var(--mono); font-size: 11.5px; color: var(--ink-faint); flex: none; width: 60px; padding-top: 3px; }
-  .spine { width: 3px; border-radius: 2px; flex: none; background: var(--ink-faint); }
-  .said { flex: 1; min-width: 0; }
-  .who {
-    font-family: var(--mono); font-size: 10.5px; letter-spacing: .08em;
-    text-transform: uppercase; color: var(--ink-soft); display: block;
-  }
-  .what { font-size: 14.5px; line-height: 1.75; word-break: break-word; }
-  .flag {
-    display: inline-block; font-family: var(--mono); font-size: 10px;
-    color: var(--warn); background: var(--warn-soft);
-    padding: 1px 6px; border-radius: 2px; margin-left: 6px; vertical-align: 1px;
-  }
-  .sp0 { background: var(--sp-0); } .sp1 { background: var(--sp-1); }
-  .sp2 { background: var(--sp-2); } .sp3 { background: var(--sp-3); }
-  .sp4 { background: var(--sp-4); }
-
-  /* トークンが設定済みのときの表示 */
-  .settled {
-    padding: 9px 12px; font-size: 13px; color: var(--accent);
-    background: var(--accent-soft); border-radius: 6px;
-  }
-  .hint button {
-    padding: 0; font-size: 12px; font-family: var(--sans);
-    border: none; background: none; color: var(--ink-soft);
-    text-decoration: underline; cursor: pointer;
-  }
-  .hint button:hover { color: var(--accent); }
-
-  /* 設定の保存についての案内 */
-  .saved-note {
-    display: flex; align-items: center; gap: 10px; flex-wrap: wrap;
-    margin: 18px 0 0; padding-top: 14px; border-top: 1px solid var(--rule);
-    font-size: 12px; color: var(--ink-faint);
-  }
-  .saved-note button {
-    padding: 4px 10px; font-size: 11.5px; font-family: var(--sans);
-    border: 1px solid var(--rule); border-radius: 4px;
-    background: transparent; color: var(--ink-soft); cursor: pointer;
-  }
-  .saved-note button:hover { border-color: var(--accent); color: var(--accent); }
-
-  /* 誰がどれだけ喋ったか */
-  .talk { display: flex; flex-wrap: wrap; gap: 14px; margin: 10px 2px 0; font-size: 12px; color: var(--ink-soft); }
-  .talk b { color: var(--ink); font-weight: 600; }
-
-  /* 聞き返すための再生機 */
-  .player { width: 100%; height: 34px; margin: 12px 0 4px; }
-  button.time {
-    font-family: var(--mono); font-size: 11.5px; color: var(--ink-faint);
-    background: none; border: none; padding: 3px 0 0; text-align: left;
-    cursor: pointer; text-decoration: underline; text-underline-offset: 2px;
-  }
-  button.time:hover { color: var(--accent); }
-
-  .empty { color: var(--ink-faint); font-size: 13px; }
-  [hidden] { display: none !important; }
-
-  @media (max-width: 620px) {
-    .wrap { padding: 24px 14px 60px; }
-    .grid { grid-template-columns: 1fr; }
-    .time { width: 52px; }
-  }
-  @media (prefers-reduced-motion: reduce) {
-    * { transition: none !important; }
-  }
-</style>
-</head>
-<body>
-<div class="wrap">
-
-  <header class="masthead">
-    <h1>録音文字起こし</h1>
-    <p id="lede">ZIPの中から一定の長さ以上の録音だけを選び、話者ごとに書き起こしてCSVにします。</p>
-    <div class="chips" id="chips"></div>
-  </header>
-
-  <section class="panel" id="setup">
-    <h2>音声を読み込む</h2>
-
-    <input type="file" id="picker" multiple hidden
-           accept=".zip,.wav,.mp3,.m4a,.mp4,.aac,.flac,.ogg,.opus,.wma,.amr,.3gp,.mov,.aif,.aiff,audio/*">
-    <button type="button" class="drop" id="drop">
-      <strong id="dropTitle">音声ファイル または ZIP を選ぶ</strong>
-      <span id="dropHint">複数まとめて選べます。ここにドラッグしても読み込めます</span>
-    </button>
-
-    <div class="grid">
-      <div class="field">
-        <label for="minSeconds">この長さ以上だけ処理する</label>
-        <input type="number" id="minSeconds" value="60" min="0" step="1">
-        <span class="hint">秒。これより短い録音は文字起こしせず、一覧にだけ残します。</span>
-      </div>
-
-      <div class="field">
-        <label for="modelSize">精度</label>
-        <select id="modelSize">
-          <option value="large-v3-turbo">標準（turbo・速くて実用精度）</option>
-          <option value="small">速度優先（small・約3割速い／誤変換が増えます）</option>
-          <option value="large-v3">精度優先（large-v3・数倍遅い）</option>
-        </select>
-        <span class="hint" id="modelHint">初回だけモデルの取得に数分かかります。</span>
-      </div>
-
-      <div class="field">
-        <label for="numSpeakers">話者の人数</label>
-        <input type="number" id="numSpeakers" value="2" min="0" max="10" step="1">
-        <span class="hint">話者を分けるときだけ使います。分かっているなら指定するほど正確になります。0で自動判定。</span>
-      </div>
-
-      <div class="field" id="tokenField">
-        <label for="hfToken">HuggingFaceトークン</label>
-        <input type="password" id="hfToken" placeholder="hf_..." autocomplete="off">
-        <span class="hint" id="tokenHint">話者分離に必要です。環境変数 HF_TOKEN があれば空欄で構いません。
-          鍵なので、この欄だけは保存しません。</span>
-      </div>
-
-      <div class="field" id="tokenSet" hidden>
-        <label>HuggingFaceトークン</label>
-        <p class="settled">サーバー側に設定済みです。入力は要りません。</p>
-        <span class="hint"><button type="button" id="useOtherToken">別のトークンを使う</button></span>
-      </div>
-
-      <div class="field span2 check">
-        <input type="checkbox" id="diarization">
-        <label for="diarization">話者を分けて記録する（処理時間が倍以上になります）</label>
-      </div>
-
-      <div class="field span2 check">
-        <input type="checkbox" id="fast" checked>
-        <label for="fast">速さを優先する（1割ほど速くなります。句読点が少し減ることがあります）</label>
-      </div>
-
-      <div class="field span2">
-        <label for="prompt">よく出る言葉</label>
-        <textarea id="prompt"></textarea>
-        <span class="hint">業務でよく使う語を書いておくと、固有名詞や専門用語の変換精度が上がります。</span>
-      </div>
-    </div>
-
-    <div class="saved-note">
-      <span id="savedState">この設定はこのブラウザに保存され、次に開いたときも使われます。</span>
-      <button type="button" id="resetSettings">既定に戻す</button>
-    </div>
-
-    <div class="actions">
-      <button type="button" class="go" id="start" disabled>文字起こしを始める</button>
-      <span class="error" id="formError"></span>
-    </div>
-  </section>
-
-  <section class="panel" id="progress" hidden>
-    <h2>処理中</h2>
-    <div class="track">
-      <span class="now" id="progressNow">準備しています</span>
-      <span class="count" id="progressCount"></span>
-    </div>
-    <div class="bar"><i id="progressBar"></i></div>
-  </section>
-
-  <section class="panel" id="summary" hidden>
-    <h2>結果</h2>
-    <div class="tally" id="tally"></div>
-    <div class="actions" id="downloads"></div>
-    <p class="hint" id="bundleNote"></p>
-  </section>
-
-  <section class="panel" id="output" hidden>
-    <h2>書き起こし</h2>
-    <div id="files"></div>
-  </section>
-
-</div>
-
-<script>
-const $ = (id) => document.getElementById(id);
-let chosenFiles = [];
-let poller = null;
-
-/* ---------- 設定の保存 ----------
-   このブラウザに覚えさせる。サーバーに置かないのは、Spaces の保存領域が
-   再起動で消えることと、使う人ごとに設定を変えられるようにするため。
-   HuggingFaceトークンだけは保存しない（鍵をブラウザに置かないため）。 */
-/* 既定を変えたときは番号を上げる。そうしないと、前に保存した設定が
-   新しい既定を上書きしてしまい、変えたつもりが変わらない。 */
-const SETTINGS_KEY = "spinthoughts.settings.v2";
-const OLD_KEYS = ["spinthoughts.settings.v1"];
-const SAVED_FIELDS = ["minSeconds", "modelSize", "numSpeakers", "prompt"];
-let defaults = {};
-
-function saveSettings() {
-  const data = {};
-  SAVED_FIELDS.forEach(id => { data[id] = $(id).value; });
-  data.diarization = $("diarization").checked;
-  data.fast = $("fast").checked;
-  try {
-    localStorage.setItem(SETTINGS_KEY, JSON.stringify(data));
-    note("設定を保存しました。次に開いたときもこの内容で始まります。");
-  } catch (err) {
-    note("この設定は保存できませんでした（ブラウザの設定で保存が無効の可能性）。");
-  }
-}
-
-function loadSettings() {
-  let data = null;
-  try {
-    data = JSON.parse(localStorage.getItem(SETTINGS_KEY) || "null");
-
-    /* 古い設定からは「よく出る言葉」だけ引き継ぐ。
-       手で書き足した語彙を捨てないため。他は新しい既定に従う。 */
-    if (!data) {
-      for (const key of OLD_KEYS) {
-        const old = JSON.parse(localStorage.getItem(key) || "null");
-        localStorage.removeItem(key);
-        if (old && old.prompt) {
-          data = { prompt: old.prompt };
-          break;
-        }
-      }
-    }
-  } catch (err) {
-    data = null;
-  }
-  if (!data) return false;
-
-  SAVED_FIELDS.forEach(id => {
-    if (typeof data[id] === "string") $(id).value = data[id];
-  });
-  if (typeof data.diarization === "boolean") $("diarization").checked = data.diarization;
-  if (typeof data.fast === "boolean") $("fast").checked = data.fast;
-  return true;
-}
-
-function note(message) {
-  $("savedState").textContent = message;
-}
-
-function resetSettings() {
-  try { localStorage.removeItem(SETTINGS_KEY); } catch (err) { /* 消せなくても続行 */ }
-  $("minSeconds").value = defaults.minSeconds;
-  $("numSpeakers").value = defaults.numSpeakers;
-  $("diarization").checked = defaults.diarization;
-  $("fast").checked = defaults.fast;
-  $("modelSize").value = defaults.modelSize || $("modelSize").value;
-  $("prompt").value = defaults.prompt || "";
-  note("既定に戻しました。");
-}
-
-/* 触ったその場で保存する。保存ボタンを押し忘れて消えるのを防ぐため。 */
-SAVED_FIELDS.concat("diarization", "fast").forEach(id =>
-  $(id).addEventListener("change", saveSettings));
-$("resetSettings").addEventListener("click", resetSettings);
-
-/* サーバーのトークンが使えないときの逃げ道。普段は畳んでおく。 */
-$("useOtherToken").addEventListener("click", () => {
-  $("tokenSet").hidden = true;
-  $("tokenField").hidden = false;
-  $("hfToken").focus();
-});
-
-/* ---------- environment ---------- */
-fetch("/environment").then(r => r.json()).then(env => {
-  $("prompt").value = env.defaultPrompt || "";
-  $("lede").textContent = env.hosted
-    ? "ZIPの中から一定の長さ以上の録音だけを選び、話者ごとに書き起こしてCSVにします。"
-      + "音声はサーバー上で処理され、処理が終わると消えます。"
-    : "ZIPの中から一定の長さ以上の録音だけを選び、話者ごとに書き起こしてCSVにします。"
-      + "音声はこのPCの外に出ません。";
-  /* サーバーにトークンがあるなら入力欄は出さない。
-     誤って別の鍵を入れて、原因の分かりにくい失敗をするのを防ぐ。 */
-  $("tokenField").hidden = env.tokenFromEnv;
-  $("tokenSet").hidden = !env.tokenFromEnv;
-
-  if (env.defaultModel) $("modelSize").value = env.defaultModel;
-  if (!env.gpu) {
-    $("modelHint").textContent =
-      "初回だけモデルの取得に数分かかります。CPU処理なので、録音1時間あたり数十分かかります。";
-  }
-  const chips = [
-    env.ffmpeg
-      ? { text: "ffmpeg 利用可", cls: "ok" }
-      : { text: `ffmpeg 未検出 — ${env.ffmpegHint || ""}`, cls: "bad" },
-    env.gpu
-      ? { text: `${env.gpu} で高速処理`, cls: "ok" }
-      : { text: `CPU処理（${env.cpuThreads || "?"}スレッド・時間がかかります）`, cls: "" },
-    // 起動直後はモデルを読み込んでいる。最初の1本だけ待ちが増える理由を出す
-    env.modelReady
-      ? { text: "モデル準備済み", cls: "ok" }
-      : { text: "モデル読込中 — 最初の1本は少し余分に待ちます", cls: "" },
-    env.tokenFromEnv
-      ? { text: "HF_TOKEN 設定済み", cls: "ok" }
-      : { text: "HF_TOKEN 未設定 — 話者分離のたびに入力が要ります", cls: "" },
-    // 公開先でパスワードを掛け忘れると、URLを知る全員が使えてしまう
-    env.hosted && !env.passwordSet
-      ? { text: "パスワード未設定 — URLを知る人は誰でも使えます", cls: "bad" }
-      : null,
-  ].filter(Boolean);
-  $("chips").innerHTML = chips
-    .map(c => `<span class="chip ${c.cls}">${c.text}</span>`)
-    .join("");
-
-  /* 「既定に戻す」で戻れるよう、初期値を控えておく */
-  defaults = {
-    minSeconds: "60",
-    numSpeakers: "2",
-    diarization: false,
-    fast: true,
-    modelSize: env.defaultModel || $("modelSize").value,
-    prompt: env.defaultPrompt || "",
-  };
-
-  /* 保存済みの設定は、既定より後に当てて上書きする */
-  if (loadSettings()) {
-    note("前回の設定を読み込みました。変えるとその場で保存されます。");
-  }
-}).catch(() => { loadSettings(); });
-
-/* ---------- file selection ---------- */
-const AUDIO_EXT = [
-  ".zip", ".wav", ".mp3", ".m4a", ".mp4", ".aac", ".flac", ".ogg", ".opus",
-  ".wma", ".amr", ".3gp", ".mov", ".aif", ".aiff",
-];
-
-const drop = $("drop");
-drop.addEventListener("click", () => $("picker").click());
-$("picker").addEventListener("change", (e) => setFiles(e.target.files));
-
-["dragenter", "dragover"].forEach(ev =>
-  drop.addEventListener(ev, (e) => { e.preventDefault(); drop.classList.add("hot"); }));
-["dragleave", "drop"].forEach(ev =>
-  drop.addEventListener(ev, (e) => { e.preventDefault(); drop.classList.remove("hot"); }));
-drop.addEventListener("drop", (e) => setFiles(e.dataTransfer.files));
-
-function setFiles(list) {
-  const picked = [...(list || [])];
-  if (!picked.length) return;
-
-  const bad = picked.filter(f => !AUDIO_EXT.some(ext => f.name.toLowerCase().endsWith(ext)));
-  if (bad.length) {
-    $("formError").textContent =
-      `${bad.map(f => f.name).join("、")} は音声ファイルではありません。`;
-    return;
-  }
-
-  chosenFiles = picked;
-  $("formError").textContent = "";
-
-  const size = picked.reduce((sum, f) => sum + f.size, 0) / 1048576;
-  $("dropTitle").textContent = picked.length === 1
-    ? picked[0].name
-    : `${picked.length} 個のファイル`;
-  $("dropHint").className = "picked";
-  $("dropHint").textContent =
-    `${size.toFixed(1)} MB — 選び直すにはもう一度クリック`;
-  $("start").disabled = false;
-}
-
-/* ---------- start ---------- */
-$("start").addEventListener("click", async () => {
-  if (!chosenFiles.length) return;
-  $("formError").textContent = "";
-  $("start").disabled = true;
-  $("start").textContent = "アップロード中";
-
-  const body = new FormData();
-  chosenFiles.forEach(f => body.append("files", f));
-  body.append("minSeconds", $("minSeconds").value || "60");
-  body.append("modelSize", $("modelSize").value);
-  body.append("numSpeakers", $("numSpeakers").value || "0");
-  body.append("diarization", $("diarization").checked ? "true" : "false");
-  body.append("fast", $("fast").checked ? "true" : "false");
-  body.append("prompt", $("prompt").value);
-  body.append("hfToken", $("hfToken").value);
-
-  try {
-    const res = await fetch("/jobs", { method: "POST", body });
-    const data = await res.json();
-    if (!res.ok) throw new Error(data.detail || "処理を開始できませんでした。");
-
-    $("progress").hidden = false;
-    $("summary").hidden = true;
-    $("output").hidden = true;
-    $("start").textContent = "処理中";
-    poller = setInterval(() => check(data.jobId), 1200);
-    check(data.jobId);
-  } catch (err) {
-    $("formError").textContent = err.message;
-    $("start").disabled = false;
-    $("start").textContent = "文字起こしを始める";
-  }
-});
-
-/* ---------- polling ---------- */
-async function check(jobId) {
-  const res = await fetch("/jobs/" + jobId);
-  if (!res.ok) return;
-  const job = await res.json();
-
-  $("progressNow").textContent = job.message || "";
-  $("progressCount").textContent = job.total ? `${job.done} / ${job.total}` : "";
-  $("progressBar").style.width = job.total ? (job.done / job.total * 100) + "%" : "4%";
-
-  if (job.state === "running") return;
-  clearInterval(poller);
-  $("start").disabled = false;
-  $("start").textContent = "文字起こしを始める";
-
-  if (job.state === "error") {
-    $("progressNow").textContent = job.message;
-    $("progressBar").style.background = "var(--warn)";
-    return;
-  }
-
-  $("progress").hidden = true;
-  render(job, jobId);
-}
-
-/* ---------- render ---------- */
-let currentJob = null;
-let currentJobId = null;
-
-function render(job, jobId) {
-  currentJob = job;
-  currentJobId = jobId;
-  const s = job.summary || {};
-  $("tally").innerHTML = [
-    ["書き起こし", s.transcribed || 0],
-    ["長さ不足で除外", s.skipped || 0],
-    ["失敗", s.failed || 0],
-    ["要確認", s.flagged || 0],
-  ].map(([label, n]) => `<div><b>${n}</b><span>${label}</span></div>`).join("");
-
-  const links = [
-    [`/jobs/${jobId}/bundle`, "一式をZIPで保存"],
-    job.hasXlsx ? [`/jobs/${jobId}/xlsx`, "Excel（1録音＝1シート）"] : null,
-    [`/jobs/${jobId}/all-csv`, "全発話をまとめたCSV"],
-  ].filter(Boolean);
-  $("downloads").innerHTML = links
-    .map(([href, label]) => `<a class="dl" href="${href}" download>${label}</a>`)
-    .join("");
-  $("bundleNote").textContent =
-    "ZIPの中身：書き起こし／（録音ごとのテキスト）、データ／（録音ごとのCSV）、"
-    + "処理結果一覧.csv、全発話.csv、録音ごと.xlsx";
-  $("summary").hidden = false;
-
-  const gate = parseFloat($("minSeconds").value || "30");
-  const longest = Math.max(1, ...job.results.map(r => r.duration));
-  const openByDefault = job.results.filter(r => r.status === "transcribed").length <= 3;
-
-  $("files").innerHTML = job.results
-    .map(r => card(r, jobId, gate, longest, openByDefault))
-    .join("");
-  $("output").hidden = false;
-}
-
-function card(r, jobId, gate, longest, openByDefault) {
-  const width = Math.min(100, r.duration / longest * 100);
-  const gatePos = Math.min(100, gate / longest * 100);
-  const done = r.status === "transcribed";
-
-  let tag = "";
-  if (r.status === "skipped") tag = `<span class="tag cut">${esc(r.reason)}</span>`;
-  if (r.status === "error") tag = `<span class="tag err">失敗</span>`;
-
-  const flagged = r.utterances.filter(u => u.needsReview).length;
-  const meta = [
-    r.durationLabel,
-    r.recordedAt,
-    done ? `${r.utterances.length}発話` : null,
-    done && r.speakers.length ? `話者${r.speakers.length}人` : null,
-    flagged ? `要確認${flagged}` : null,
-  ].filter(Boolean).join(" · ");
-
-  const preview = done && r.utterances.length
-    ? `<p class="preview">${esc(r.utterances[0].text)}</p>`
-    : "";
-
-  /* 話者の色は録音ごとに割り当てる。別の録音の SPEAKER_00 は別人なので、
-     色を共有すると同一人物に見えてしまう。 */
-  const palette = {};
-  let next = 0;
-  let score = "";
-
-  if (done) {
-    score = r.utterances.length
-      ? `<div class="score">${r.utterances.map(u => {
-          if (!(u.speaker in palette)) palette[u.speaker] = next++ % 5;
-          const flag = u.needsReview
-            ? `<span class="flag" title="${esc(u.reviewNote)}">要確認</span>` : "";
-          const seek = r.hasAudio
-            ? `<button type="button" class="time seek" onclick="seekTo(${r.index}, ${u.startSeconds})"
-                       title="ここから再生">${u.start}</button>`
-            : `<span class="time">${u.start}</span>`;
-          return `<div class="line">
-            ${seek}
-            <span class="spine sp${palette[u.speaker]}"></span>
-            <span class="said">
-              <span class="who">${esc(u.speaker)}</span>
-              <span class="what">${esc(u.text)}${flag}</span>
-            </span>
-          </div>`;
-        }).join("")}</div>`
-      : `<p class="empty">発話を検出できませんでした。</p>`;
-  } else {
-    score = `<p class="empty">${esc(r.reason || "書き起こしはありません。")}</p>`;
-  }
-
-  /* 誰がどれだけ喋ったか。商談だと相手の話量が分かると役に立つ。 */
-  const talkBox = (done && (r.talk || []).length > 1)
-    ? `<div class="talk">${r.talk
-        .map(t => `<span><b>${esc(t.name)}</b> ${mmss(t.seconds)}・${t.count}回</span>`)
-        .join("")}</div>`
-    : "";
-
-  /* 聞き返すための音声。時刻を押すとその位置から鳴る。 */
-  const player = r.hasAudio
-    ? `<audio class="player" id="audio-${r.index}" controls preload="none"
-              src="/jobs/${jobId}/audio/${r.index}"></audio>`
-    : "";
-
-  const tools = `<div class="file-tools">
-    <button type="button" onclick="copyOne(${r.index}, this)">本文をコピー</button>
-    <a href="/jobs/${jobId}/files/${r.index}.txt" download>テキスト</a>
-    ${done && r.utterances.length ? `<a href="/jobs/${jobId}/files/${r.index}.csv" download>CSV</a>` : ""}
-  </div>`;
-
-  return `<details class="file" ${done && openByDefault ? "open" : ""}>
-    <summary>
-      <div class="file-head">
-        <span class="no">${String(r.index).padStart(3, "0")}</span>
-        <span class="file-name">${esc(r.shortName)}</span>
-        ${tag}
-        <span class="file-meta">${esc(meta)}</span>
-      </div>
-      <div class="len ${done ? "" : "cut"}">
-        <i style="width:${width}%"></i>
-        <span class="gate" style="left:${gatePos}%" title="${gate}秒"></span>
-      </div>
-      ${preview}
-    </summary>
-    <div class="file-body">${tools}${player}${talkBox}${score}</div>
-  </details>`;
-}
-
-/* 押された時刻から音声を鳴らす。聞き返しながら文字を直せるように。 */
-function seekTo(index, seconds) {
-  const audio = $(`audio-${index}`);
-  if (!audio) return;
-  audio.currentTime = seconds;
-  audio.play().catch(() => { /* 自動再生を止める設定なら、利用者が再生を押す */ });
-}
-
-function mmss(seconds) {
-  const s = Math.round(seconds || 0);
-  return `${Math.floor(s / 60)}分${String(s % 60).padStart(2, "0")}秒`;
-}
-
-function copyOne(index, btn) {
-  const r = (currentJob?.results || []).find(x => x.index === index);
-  if (!r) return;
-  const head = `${r.shortName}\n録音日時 ${r.recordedAt || "不明"} ／ 録音長 ${r.durationLabel}\n\n`;
-  const body = r.utterances
-    .map(u => `${u.start}${u.speaker ? "  " + u.speaker : ""}${u.needsReview ? "  ※要確認" : ""}\n    ${u.text}`)
-    .join("\n\n");
-  navigator.clipboard.writeText(head + body).then(() => {
-    const original = btn.textContent;
-    btn.textContent = "コピーしました";
-    setTimeout(() => { btn.textContent = original; }, 1600);
-  });
-}
-
-function esc(str) {
-  return String(str ?? "").replace(/[&<>"']/g, c =>
-    ({ "&": "&amp;", "<": "&lt;", ">": "&gt;", '"': "&quot;", "'": "&#39;" }[c]));
-}
-</script>
-</body>
-</html>

packages.txt

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

pipeline.py

@@ -346,42 +346,92 @@ _diarizer_cache: dict = {}
 _model_lock = threading.Lock()
 
 
-def load_whisper(backend: str, model_size: str):
-    key = (backend, model_size)
+def load_whisper(backend: str, model_size: str, device: str = ""):
+    """文字起こしモデルを用意する。
+
+    device に "cuda" を渡したときは使い回さない。ZeroGPU では呼び出しのたびに
+    別のプロセスへGPUが割り当てられるため、前回のモデルは引き継げない。
+    """
+    if device == "cuda":
+        return _build_whisper(None, backend, model_size, device)
+
+    key = (backend, model_size, device)
     if key in _whisper_cache:
         return _whisper_cache[key]
 
     with _model_lock:
         if key in _whisper_cache:      # 待っている間に別のスレッドが読み終えている
             return _whisper_cache[key]
-        return _build_whisper(key, backend, model_size)
+        return _build_whisper(key, backend, model_size, device)
 
 
-def _build_whisper(key, backend: str, model_size: str):
+def _build_whisper(key, backend: str, model_size: str, device: str = ""):
     if backend == "mlx":
         import mlx_whisper  # noqa: F401  読み込み確認のみ
         obj = MLX_MODELS.get(model_size, MLX_MODELS["large-v3"])
     else:
         from faster_whisper import WhisperModel
 
-        device, compute_type = "cpu", "int8"
-        try:
-            import torch
+        if not device:
+            device = "cuda" if _cuda_ready() else "cpu"
+        compute_type = "float16" if device == "cuda" else "int8"
+
+        if device == "cuda":
+            _preload_cuda_libs()
 
-            if torch.cuda.is_available():
-                device, compute_type = "cuda", "float16"
-        except Exception:
-            pass
         # スレッド数を指定しないと既定の4本しか使わず、実測で倍近く遅かった
         obj = WhisperModel(
             model_size, device=device, compute_type=compute_type,
             cpu_threads=cpu_threads(),
         )
 
-    _whisper_cache[key] = obj
+    if key is not None:
+        _whisper_cache[key] = obj
     return obj
 
 
+def _preload_cuda_libs() -> None:
+    """faster-whisper が GPU を使うのに要る cuDNN / cuBLAS を先に読み込む。
+
+    これらは torch と一緒に site-packages へ入るが、動的リンカの探索路には
+    載っていない。ctranslate2 が自力で見つけられず「libcudnn が無い」と
+    言って落ちるので、こちらで先に開いておく。
+    """
+    if platform.system() != "Linux":
+        return
+
+    import ctypes
+    import glob
+    import site
+
+    roots = list(site.getsitepackages()) + [site.getusersitepackages()]
+    for root in roots:
+        for pattern in ("nvidia/**/libcudnn*.so*", "nvidia/**/libcublas*.so*",
+                        "nvidia/**/libcublasLt*.so*"):
+            for path in glob.glob(os.path.join(root, pattern), recursive=True):
+                try:
+                    ctypes.CDLL(path, mode=ctypes.RTLD_GLOBAL)
+                except OSError:
+                    continue
+
+
+def _cuda_ready() -> bool:
+    try:
+        import torch
+
+        return bool(torch.cuda.is_available())
+    except Exception:
+        return False
+
+
+def transcribe_file(wav: Path, model_size: str, prompt: str, fast: bool,
+                    device: str = "") -> list[dict]:
+    """1ファイル分の文字起こし。GPUで動かすときはこの関数ごと外から包む。"""
+    backend = default_backend()
+    model = load_whisper(backend, model_size, device)
+    return transcribe(wav, backend, model, prompt, fast=fast)
+
+
 def default_backend() -> str:
     return "mlx" if is_apple_silicon() else "faster"
 
@@ -402,8 +452,8 @@ def is_model_ready() -> bool:
     return (default_backend(), default_model_size()) in _whisper_cache
 
 
-def load_diarizer(hf_token: str):
-    if "pipeline" in _diarizer_cache:
+def load_diarizer(hf_token: str, device: str = ""):
+    if device != "cuda" and "pipeline" in _diarizer_cache:
         return _diarizer_cache["pipeline"]
 
     from pyannote.audio import Pipeline
@@ -433,14 +483,15 @@ def load_diarizer(hf_token: str):
     try:  # GPU が使えれば使う（未対応の演算はCPUに落ちる）
         import torch
 
-        if torch.cuda.is_available():
+        if device == "cuda" or (not device and torch.cuda.is_available()):
             pipe.to(torch.device("cuda"))
         elif getattr(torch.backends, "mps", None) and torch.backends.mps.is_available():
             pipe.to(torch.device("mps"))
     except Exception:
         pass
 
-    _diarizer_cache["pipeline"] = pipe
+    if device != "cuda":
+        _diarizer_cache["pipeline"] = pipe
     return pipe
 
 
@@ -509,8 +560,9 @@ def load_waveform(wav: Path) -> dict:
     return {"waveform": torch.from_numpy(samples.copy()), "sample_rate": rate}
 
 
-def diarize(wav: Path, hf_token: str, num_speakers: int | None) -> list[tuple[float, float, str]]:
-    pipe = load_diarizer(hf_token)
+def diarize(wav: Path, hf_token: str, num_speakers: int | None,
+            device: str = "") -> list[tuple[float, float, str]]:
+    pipe = load_diarizer(hf_token, device)
     kwargs = {}
     if num_speakers and num_speakers > 0:
         kwargs["num_speakers"] = num_speakers
@@ -613,6 +665,8 @@ def run(
     diarization_enabled: bool = False,
     fast: bool = True,
     progress: Callable[[str, int, int], None] | None = None,
+    transcriber: Callable[..., list[dict]] | None = None,
+    diarizer: Callable[..., list[tuple[float, float, str]]] | None = None,
 ) -> list[FileResult]:
     ensure_ffmpeg()
 
@@ -658,9 +712,12 @@ def run(
         notify("条件に合う録音がありませんでした", 0, 0)
         return results
 
-    notify("文字起こしモデルを読み込んでいます", 0, total)
-    model = load_whisper(backend, model_size)
-    if diarization_enabled:
+    # GPU側で動かすときは、この場で読み込まない。
+    # ZeroGPU は呼び出しのたびに別プロセスへ割り当てるので、ここで読んでも無駄になる。
+    if transcriber is None:
+        notify("文字起こしモデルを読み込んでいます", 0, total)
+        load_whisper(backend, model_size)
+    if diarization_enabled and diarizer is None:
         notify("話者分離モデルを読み込んでいます", 0, total)
         load_diarizer(hf_token)
 
@@ -672,12 +729,12 @@ def run(
             to_wav16k(path, wav)
 
             notify(f"文字起こし中: {label}", index, total)
-            segments = transcribe(wav, backend, model, prompt, fast=fast)
+            segments = (transcriber or transcribe_file)(wav, model_size, prompt, fast)
 
             turns: list[tuple[float, float, str]] = []
             if diarization_enabled:
                 notify(f"話者を判定中: {label}", index, total)
-                turns = diarize(wav, hf_token, num_speakers)
+                turns = (diarizer or diarize)(wav, hf_token, num_speakers)
 
             entry.utterances = merge(segments, turns, diarized=diarization_enabled)
             entry.speakers = sorted({u.speaker for u in entry.utterances if u.speaker})

requirements.txt

@@ -1,12 +1,12 @@
-fastapi>=0.110
-uvicorn[standard]>=0.27
-python-multipart>=0.0.9
+gradio>=6.0
 
-# 文字起こし（Windows は CPU で faster-whisper を使う）
+# ZeroGPU の割り当てに使う（Spaces 以外では入らなくてよい）
+spaces>=0.30 ; sys_platform == "linux"
+
+# 文字起こし。GPUがあれば CUDA、無ければ CPU で動く
 faster-whisper>=1.1
 
-# 話者分離。torch / torchaudio も一緒に入る。
-# torch は setup.ps1 が先に CPU 版を入れておくので、ここでは CUDA 版を引かない。
+# 話者分離。torch / torchaudio も一緒に入る
 pyannote.audio>=3.1
 
 openpyxl>=3.1

tests/test_app.py

@@ -0,0 +1,111 @@
+"""画面まわり。文字起こし本体は動かさず、組み立てと片付けだけを確かめる。"""
+
+import sys
+import time
+from pathlib import Path
+
+import pytest
+
+sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
+
+import app as web  # noqa: E402
+import pipeline as pl  # noqa: E402
+
+
+SEGMENTS = [
+    {"start": 0.0, "end": 8.0, "text": "本日はありがとうございます"},
+    {"start": 9.0, "end": 14.0, "text": "よろしくお願いします"},
+]
+TURNS = [(0.0, 8.5, "SPEAKER_00"), (8.5, 14.5, "SPEAKER_01")]
+
+
+def build(playback: Path | None = None) -> pl.FileResult:
+    entry = pl.FileResult(
+        original_name="A社_初回訪問.wav", duration=95.0,
+        recorded_at="2026-08-22 14:00:00", status="transcribed", playback=playback,
+    )
+    entry.utterances = pl.merge(SEGMENTS, TURNS)
+    entry.speakers = sorted({u.speaker for u in entry.utterances})
+    return entry
+
+
+def test_発話の時刻に再生ボタンが付く(tmp_path):
+    audio = tmp_path / "000.mp3"
+    audio.write_bytes(b"x")
+
+    html = web.render([build(audio)])
+    assert '<audio id="audio-1"' in html
+    assert 'data-audio="audio-1"' in html
+    assert 'data-t="9.00"' in html          # 2つ目の発話の開始位置
+    assert "00:00:09" in html
+
+
+def test_音声が無い録音には再生機を出さない():
+    html = web.render([build()])
+    assert "<audio" not in html
+    assert "SPEAKER_00" in html             # 本文は出る
+
+
+def test_本文のHTMLを素通しさせない():
+    """録音の中身が画面を壊さないように。"""
+    entry = build()
+    entry.utterances[0].text = '<script>alert("x")</script>'
+    html = web.render([entry])
+    assert "<script>alert" not in html
+    assert "&lt;script&gt;" in html
+
+
+def test_除外した録音は理由が出る():
+    entry = pl.FileResult(original_name="短い.wav", duration=12.0,
+                          status="skipped", reason="60秒未満")
+    html = web.render([entry])
+    assert "除外" in html and "60秒未満" in html
+
+
+def test_集計が出る():
+    skipped = pl.FileResult(original_name="短い.wav", duration=12.0,
+                            status="skipped", reason="60秒未満")
+    text = web.summarize([build(), skipped])
+    assert "書き起こし 1" in text
+    assert "長さ不足で除外 1" in text
+
+
+def test_古い作業場は片付けられる(tmp_path, monkeypatch):
+    """商談の音声を必要以上に残さないため、時間で消す。"""
+    monkeypatch.setattr(web, "WORK_ROOT", tmp_path)
+
+    old = tmp_path / "job-old"
+    old.mkdir()
+    stale = time.time() - web.JOB_TTL_SECONDS - 60
+    import os
+    os.utime(old, (stale, stale))
+
+    fresh = tmp_path / "job-fresh"
+    fresh.mkdir()
+
+    web.sweep_old_jobs()
+
+    assert not old.exists()
+    assert fresh.exists()
+
+
+def test_ファイル未選択なら止める():
+    with pytest.raises(Exception) as err:
+        web.process([], 60, "large-v3-turbo", 2, False, True, "", "")
+    assert "選んで" in str(err.value)
+
+
+def test_トークン無しで話者分離はできない(monkeypatch, tmp_path):
+    monkeypatch.delenv("HF_TOKEN", raising=False)
+    with pytest.raises(Exception) as err:
+        web.process([str(tmp_path / "a.wav")], 60, "large-v3-turbo", 2, True, True, "", "")
+    assert "トークン" in str(err.value)
+
+
+def test_GPUの飾りは環境で切り替わる():
+    """自分のPCでは素通し。ZeroGPU のときだけ GPU を割り当てる。"""
+    def plain():
+        return "ok"
+
+    if not web.ON_ZERO_GPU:
+        assert web.on_gpu(plain) is plain

tests/test_diarization.py

@@ -68,7 +68,7 @@ def test_WAVを自前で読める(wav):
     ids=["pyannote3", "pyannote4"],
 )
 def test_どちらの戻り値でも同じ区間になる(monkeypatch, wav, result):
-    monkeypatch.setattr(pl, "load_diarizer", lambda token: lambda audio, **kw: result)
+    monkeypatch.setattr(pl, "load_diarizer", lambda token, device="": lambda audio, **kw: result)
     assert pl.diarize(wav, "token", None) == ROWS
 
 
@@ -81,7 +81,7 @@ def test_パスではなく波形を渡している(monkeypatch, wav):
         seen["kwargs"] = kwargs
         return FakeAnnotation(ROWS)
 
-    monkeypatch.setattr(pl, "load_diarizer", lambda token: fake_pipe)
+    monkeypatch.setattr(pl, "load_diarizer", lambda token, device="": fake_pipe)
     pl.diarize(wav, "token", 2)
 
     assert set(seen["audio"]) == {"waveform", "sample_rate"}
@@ -92,7 +92,7 @@ def test_話者人数を指定しなければ自動判定に任せる(monkeypatc
     seen = {}
     monkeypatch.setattr(
         pl, "load_diarizer",
-        lambda token: lambda audio, **kw: (seen.update(kw), FakeAnnotation(ROWS))[1],
+        lambda token, device="": lambda audio, **kw: (seen.update(kw), FakeAnnotation(ROWS))[1],
     )
     pl.diarize(wav, "token", None)
     assert seen == {}

tests/test_web.py

@@ -1,80 +0,0 @@
-"""Web側の窓口。実際の文字起こしは動かさず、結果が入った状態から確かめる。"""
-
-import sys
-from pathlib import Path
-
-sys.path.insert(0, str(Path(__file__).resolve().parents[1]))
-
-from fastapi.testclient import TestClient  # noqa: E402
-
-import app as web  # noqa: E402
-import pipeline as pl  # noqa: E402
-
-client = TestClient(web.app)
-
-SEGMENTS = [
-    {"start": 0.0, "end": 8.0, "text": "本日はありがとうございます"},
-    {"start": 9.0, "end": 14.0, "text": "よろしくお願いします"},
-]
-TURNS = [(0.0, 8.5, "SPEAKER_00"), (8.5, 14.5, "SPEAKER_01")]
-
-
-def seed_job(job_id: str = "testjob") -> pl.FileResult:
-    entry = pl.FileResult(original_name="A社_初回訪問.wav", duration=90.0, status="transcribed")
-    entry.utterances = pl.merge(SEGMENTS, TURNS)
-    entry.speakers = sorted({u.speaker for u in entry.utterances})
-    web.JOBS[job_id] = {
-        "state": "done",
-        "message": "完了",
-        "results": web.serialize([entry]),
-        "outputs": None,
-    }
-    return entry
-
-
-def test_外から開いたら公開先として扱う():
-    """HOSTED の書き忘れで警告が消えないよう、接続元でも判定していること。"""
-    body = client.get("/environment").json()
-    assert body["hosted"] is True
-    assert body["passwordSet"] is False   # 未設定なら画面に警告が出る
-
-
-def test_自分のPCから開いたらローカル扱い():
-    local = TestClient(web.app, client=("127.0.0.1", 51000))
-    assert local.get("/environment").json()["hosted"] is False
-
-
-def test_一覧に話者と発話量が入る():
-    seed_job("job-list")
-    record = client.get("/jobs/job-list").json()["results"][0]
-    assert [u["speaker"] for u in record["utterances"]] == ["SPEAKER_00", "SPEAKER_01"]
-    assert [t["name"] for t in record["talk"]] == ["SPEAKER_00", "SPEAKER_01"]
-
-
-def test_知らない処理番号は404():
-    assert client.get("/jobs/nothing-here").status_code == 404
-
-
-def test_古い処理は音声ごと片付けられる(tmp_path, monkeypatch):
-    """商談の音声を必要以上に残さないため、時間で消す。"""
-    import time
-
-    monkeypatch.setattr(web, "WORK_ROOT", tmp_path)
-
-    old_dir = tmp_path / "old-job"
-    (old_dir / "再生用").mkdir(parents=True)
-    (old_dir / "再生用" / "000.mp3").write_bytes(b"x")
-
-    web.JOBS["old-job"] = {
-        "state": "done",
-        "createdAt": time.time() - web.JOB_TTL_SECONDS - 60,
-        "results": [],
-    }
-    seed_job("fresh-job")
-    web.JOBS["fresh-job"]["createdAt"] = time.time()
-
-    web.sweep_old_jobs()
-
-    assert "old-job" not in web.JOBS
-    assert not old_dir.exists()
-    assert "fresh-job" in web.JOBS