/local-media-transcription

Transcription Workflow Reference

Preflight Checklist

1. 対象ファイルが存在する
2. ffmpeg, ffprobe, whisper がローカルで使える
3. 出力先フォルダを事前に作成する
4. 長時間録画では処理時間を見積もる

Example Commands

1. ファイル確認

$p='C:\path\to\meeting.mp4'
Write-Output "exists=$([bool](Test-Path $p))"
Get-Item $p | Select-Object FullName, Length, LastWriteTime

2. duration確認

ffprobe -v error -show_entries format=duration -of default=nw=1:nk=1 "C:\path\to\meeting.mp4"

3. 文字起こし

$env:PYTHONIOENCODING='utf-8'
whisper "C:\path\to\meeting.mp4" --language Japanese --task transcribe --model turbo --fp16 False --verbose False --output_format txt --output_dir "C:\path\to\out"

4. 冒頭確認

Get-Content "C:\path\to\out\meeting.txt" -TotalCount 80

Recommended Post-processing

話者分離が必要なとき

• まずローカル環境に diarization 手段があるか確認する
• 使える場合は 話者A, 話者B のような中立ラベルで一度出す
• 参加者名が確定してから実名へ置換する
• 名前が曖昧なままなら実名化しない

推奨ツール

• WhisperX
  • Whisper + forced alignment + diarization を一体で扱いやすい
  • 会議録画の「だいたいの話者分け」を最短で作りたいときに向く
• pyannote.audio
  • 話者分離専用として柔軟
  • 既に別の文字起こし結果があり、後段で diarization だけ追加したいときに向く

インストール手順

WhisperX

# 新しい仮想環境を推奨
python -m venv .venv-whisperx
.\.venv-whisperx\Scripts\Activate.ps1

pip install --upgrade pip
pip install whisperx

注意: GPU / CUDA / torch の組み合わせで失敗しやすい。既存環境を壊したくない場合は別 venv を使う。

pyannote.audio

python -m venv .venv-pyannote
.\.venv-pyannote\Scripts\Activate.ps1

pip install --upgrade pip
pip install pyannote.audio

注意: pyannote.audio は Hugging Face モデル利用前提になることがあり、追加認証やモデル同意が必要なケースがある。

具体コマンド例

WhisperX 例

# 事前に whisperx が入っている前提
whisperx "C:\path\to\meeting.mp4" --language ja --model large-v3 --diarize --output_dir "C:\path\to\out"

pyannote.audio 例

# まず音声抽出
ffmpeg -i "C:\path\to\meeting.mp4" -vn -ac 1 -ar 16000 "C:\path\to\meeting.wav"

# その後 diarization スクリプトや notebook で話者分離

実務上の使い分け

• まず速く全体像を出したい: WhisperX
• 既存の文字起こしに話者情報を後付けしたい: pyannote.audio
• 環境準備が重い場合は、話者分離なしで先に議事録化し、必要箇所だけ人手補正する

議事録に整理するときの観点

• 目的
• 議題
• 決定事項
• 検討事項
• 次回までの論点

顧客向け議事録に清書するときの観点

• 内部だけの相談や調整コメントは落とす
• 誤認識が疑わしい固有名詞は確認できる表現に寄せる
• 「誰が何をするか」を読み手が追えるように整理する
• 断定できない箇所は「〜との認識」「〜との説明」に留める
• 施策の押し付けではなく、提案ベースの表現にする

アクション抽出の観点

• 誰が
• 何を
• いつまでに
• Microsoft 側に相談したい事項
• 顧客側で整理したい事項

PPT要点化の観点

• 3〜5点に絞る
• 施策名より、論点と示唆を前面に出す
• 顧客に見せる場合は断定より提案ベースにする

Failure Patterns

whisper の help 表示で文字化け / 例外

• Windows の CP932 で UnicodeEncodeError が起きることがある
• 実行時は PYTHONIOENCODING=utf-8 を付ける

WhisperX / pyannote の依存衝突

• 既存の whisper 環境に直接入れると torch 系の依存がぶつかることがある
• 可能なら diarization 専用の別 venv を切る

長時間録画で時間がかかる

• duration を先に見積もる
• まず .txt 完了を優先し、要約はその後に行う

音声認識ゆれ

• 固有名詞、製品名、数字、参加者名は人手で補正する
• 誤りが疑わしい箇所は断定しない

話者誤判定

• 話者分離結果はそのまま信用せず、会議文脈で確認する
• 話者交代が短い会話では、ラベルが揺れる前提でレビューする
• 顧客向け議事録では、話者名確定前のラベルをそのまま出さない

会議種別・参加者の誤分類

• 保存先は会議で実際に行った活動で決める。顧客への紹介、スコーピング、定例は、ライブデモ、ハンズオン、デリバリーを実施していない限り議事録として扱い、デモ記録にしない。
• Teams などの参加者タイルは出席を示す情報であり、発言の証跡ではない。出席者と発言者を別項目にし、発言者は書き起こしまたはユーザー確認で判定する。アイコンや表示名による所属の判定は、ユーザー確認がある場合に限る。