schroneko URL Transcript
リンク先から transcript を得る。公式字幕や埋め込み transcript を最優先し、取れない場合だけメディア音声を取得してローカル Voxtral で文字起こしする。
原則
- Whisper は、ユーザーが明示的に指定した場合以外は使わない。
- 「原文 transcript」は翻訳しない。音声または公式 transcript の言語を保ち、Voxtral に
languageを固定しない。 - 字幕や transcript が取れる場合は、ASR より公式テキストを優先する。
- 登録フォーム、ログイン、支払い、同意ボタンは勝手に送信しない。
- 署名付き URL は期限切れになりやすい。取得したらすぐ保存する。
- 最終成果物には、取得方法、使った入力、失敗した経路、ASR の誤認識リスクを短く残す。
保存先
作業ファイルは work/ に置く。ユーザーに渡す成果物は outputs/ に置く。
標準の成果物:
outputs/<slug>-transcript.txtoutputs/<slug>-transcript-timestamped.txt- 必要に応じて
outputs/<slug>-understanding.md
Workflow
1. ページと埋め込みデータを調べる
まずリンク先 HTML や player config を保存し、transcript、caption、subtitle、m3u8、vtt、srt、json、docx を探す。
curl -L "<URL>" -o work/page.html
rg -n "transcript|caption|subtitle|\\.vtt|\\.srt|\\.m3u8|window\\.|uberdata" work/page.html
URL を作り出さない。HTML、network playlist、player config、yt-dlp 出力など、確認済みの URL だけを使う。
2. yt-dlp で字幕を試す
ページ URL または HLS master URL に対して字幕一覧を確認する。
yt-dlp --list-subs "<URL>"
字幕が見える場合は、まず字幕だけ保存する。
yt-dlp --skip-download --write-subs --sub-langs all --sub-format vtt -o "work/%(title)s.%(ext)s" "<URL>"
失敗した場合はエラー本文を見る。403、AccessDenied、Request has expired は署名切れとして扱う。
3. 期限切れ署名 URL を扱う
HLS subtitle playlist の中に期限切れの S3 や CloudFront URL がある場合:
caption/*.m3u8や master playlist を再取得する。- ユーザーが該当 Chrome タブを開いている場合だけ、既存タブを reload してから再取得を試す。
- 署名が更新されない場合は、字幕経路を諦めて音声 ASR に進む。
Chrome 操作では既存のログイン済みプロフィールか確認する。登録フォームに架空情報を入れない。
4. メディアを取得する
字幕が取れない場合は、yt-dlp -F で format を確認し、音声を含む軽い format を保存する。
yt-dlp -F "<URL_OR_M3U8>"
yt-dlp -f worst -o "work/<slug>.%(ext)s" "<URL_OR_M3U8>"
音声が別 format の場合は、音声 format を優先する。
5. Voxtral 用 WAV に変換する
Voxtral fallback は 16 kHz、mono、PCM16 WAV にする。
ffmpeg -y -i "work/<slug>.mp4" -vn -ac 1 -ar 16000 "work/<slug>-16k.wav"
ffprobe -hide_banner -show_streams "work/<slug>-16k.wav"
6. ローカル Voxtral で文字起こしする
NiceVoice の VoxMLX server が起動している場合は、その server を使う。
pgrep -fl "voxmlx.server"
lsof -Pan -p <PID> -iTCP -sTCP:LISTEN
ws://127.0.0.1:<PORT>/v1/realtime を endpoint にして、バンドル script を実行する。
uv run --project /Users/username/ghq/github.com/schroneko/nicevoice-app/Server python <skill-dir>/scripts/voxtral-transcribe-segmented.py "work/<slug>-16k.wav" "outputs/<slug>-transcript.txt" --timestamped-output "outputs/<slug>-transcript-timestamped.txt" --endpoint "ws://127.0.0.1:<PORT>/v1/realtime" --segment-seconds 20 --language-mode none
--language-mode none が原文優先の標準。ユーザーが明示した場合だけ ja、en、auto-ja-en を使う。
7. 検証して報告する
先頭数行、行数、ファイルサイズを確認する。
sed -n '1,8p' "outputs/<slug>-transcript.txt"
wc -l "outputs/<slug>-transcript.txt" "outputs/<slug>-transcript-timestamped.txt"
報告には以下を含める:
- 公式字幕を取得できたか、ASR になったか
yt-dlpで字幕が取れなかった理由- Voxtral を使った場合は、言語固定の有無
- transcript と timestamped transcript のリンク
- ASR の固有名詞、句読点、英語サービス名の誤認識リスク