Local Media Transcription
ローカルにある音声/動画ファイルを文字起こしし、必要に応じて議事録・アクションアイテム・PPT要点まで整理する skill。
When to Use
- 文字起こし, transcription, transcribe mp4, meeting transcript
- mp4から文字起こし, 録画から議事録, whisperで書き起こし
- Teams録画、Screenpresso録画、会議音声から要点を抽出したいとき
- ローカル環境で完結させたいとき
Supported Inputs
- MP4 / M4A / MP3 / WAV / WEBM
- 日本語会議、社内ミーティング、顧客打合せ録画
Outputs
- 生書き起こし
.txt - 話者分離付き書き起こし
.txt/.md - 議事録
.md - 顧客向け清書版議事録
.md - アクションアイテム
.md - PowerPoint用要点
.md
Workflow
- 入力確認
- 対象ファイルが存在するか確認する
- 長さ、サイズ、更新日時を確認する
- ツール確認
ffmpeg,ffprobe,whisperCLI が使えるか確認する- 使えない場合は、ローカル書き起こしは中断して代替案を提示する
- メディア確認
ffprobeで duration を取得する- 長時間録画なら処理時間を見積もる
- 文字起こし実行
- 日本語会議なら以下を基本形とする
$env:PYTHONIOENCODING='utf-8'
whisper "<media-file>" --language Japanese --task transcribe --model turbo --fp16 False --verbose False --output_format txt --output_dir "<output-dir>"- 品質確認
- 出力
.txtの先頭数十行を読んで破綻していないか確認する - 最低限、発話として読めるか、ファイルが空でないかを確認する
- 必要に応じて話者分離
- 話者分離が必要なら、利用可能な diarization 手段を確認する
- 使える場合は話者ラベル付きの書き起こしを生成する
- 使えない場合は、話者分離なしで進めるか、制約を明示して中断する
- 必要に応じて整形
- 議事録
- 顧客向け清書版議事録
- アクションアイテム
- PPT要点
- 断定しすぎず、音声認識揺れを補正して整理する
Decision Points
A. ツールがない場合
ffmpeg/whisperがない場合は中断- 代替として Teams文字起こしテキスト貼付 or 事前インストールを案内
B. 文字起こしだけでよい場合
.txtを出力して終了
C. 会議整理まで必要な場合
- 以下の成果物を追加生成する
- 議事録
- 顧客向け清書版議事録
- アクションアイテム
- PPT要点
D. 話者分離が必要な場合
- diarization ツールや既存環境を確認する
- 使える場合は
話者A / 話者Bなどのラベルで一度出力する - 名前が確定していない段階では推定名を断定しない
- 使えない場合は「話者分離なしで進める / 後で人手補正する」を明示する
E. 顧客向け資料に載せる場合
- 固有名詞や音声認識誤りを目視補正する
- 曖昧な箇所は断定せず「〜との認識」「〜との説明」などにする
- 内部会話、未確定情報、雑談は削る
- 顧客向けには「決定事項 / 検討事項 / 次回アクション」が一目で分かる形に整える
Completion Criteria
- 入力メディアの存在確認が完了している
- 書き起こし
.txtが生成されている - 冒頭確認で致命的な破綻がない
- 話者分離が必要な依頼では、可否判定か分離済み出力のどちらかが明示されている
- 依頼があれば議事録 / 顧客向け清書版 / アクション / PPT要点まで生成されている
Quality Rules
- 元音声にない断定を追加しない
- 数値・固有名詞は誤認識の可能性を意識する
- 顧客向け要約では、施策ありきで決めつけない
- 顧客向け議事録では、内部相談や未承認事項をそのまま残さない
- 話者分離では、人名確定できないラベルを勝手に実名化しない
- 長時間音声では、まず文字起こし成功を優先し、その後に整理へ進む