Video Transcribe

Video Transcribe Skill

Whisperを使用した動画・音声の文字起こしスキル。

When to Use

• 動画コンテンツの文字起こし
• 字幕ファイル（SRT）生成
• 議事録・インタビュー書き起こし
• ポッドキャスト・講義のテキスト化

Modes

1. ローカルモード（無料）

OpenAI Whisperをローカル実行。GPU推奨。

2. APIモード（有料・高速）

OpenAI Whisper APIを使用。高速・高精度。

Usage

ローカルモード

# 基本（mediumモデル）
make transcribe FILE=local-files/videos/MainVideo.mp4

# モデル指定
make transcribe FILE=local-files/videos/MainVideo.mp4 MODEL=large-v3

# 音声ファイル
make transcribe FILE=local-files/videos/audio.mp3

APIモード

# OpenAI API使用（要: OPENAI_API_KEY）
make transcribe-api FILE=local-files/videos/MainVideo.mp4

# URLから直接（ダウンロード＋文字起こし）
make transcribe-url URL="https://www.youtube.com/watch?v=xxxxx"
make transcribe-url-api URL="https://www.youtube.com/watch?v=xxxxx"

出力フォーマット指定

# SRT（字幕）
make transcribe FILE=... FORMAT=srt

# テキスト
make transcribe FILE=... FORMAT=txt

# JSON（タイムスタンプ付き）
make transcribe FILE=... FORMAT=json

# VTT（Web字幕）
make transcribe FILE=... FORMAT=vtt

Output

local-files/transcripts/
├── [ファイル名].srt    # 字幕ファイル
├── [ファイル名].txt    # プレーンテキスト
├── [ファイル名].json   # タイムスタンプ付きJSON
└── [ファイル名].vtt    # WebVTT字幕

Configuration

環境変数 (.env)

# OpenAI API（APIモード用）
OPENAI_API_KEY=sk-xxxxx

# デフォルト設定
WHISPER_MODEL=small           # tiny/base/small/medium/large-v3（CPUはsmall推奨）
WHISPER_LANGUAGE=ja           # 言語コード
WHISPER_OUTPUT_FORMAT=srt     # srt/txt/json/vtt
WHISPER_OUTPUT_DIR=local-files/transcripts

# ローカルモード設定
WHISPER_DEVICE=cuda           # cuda/cpu
WHISPER_COMPUTE_TYPE=float16  # float16/int8

Comparison

Supported Formats

入力

• 動画: MP4, WebM, MKV, AVI, MOV
• 音声: MP3, WAV, M4A, FLAC, OGG

出力

• SRT: 標準字幕フォーマット
• VTT: Web用字幕
• TXT: プレーンテキスト
• JSON: タイムスタンプ付き

Troubleshooting

Related Skills

• video-download - 動画ダウンロード
• video-production - 動画編集
• japanese-tts-reading - テキスト読み上げ