動画/音声 文字起こし + 要約

動画 or 音声ファイルを OpenAI Whisper (ローカル) で文字起こしし、全文md と 要約md の 2ファイルを出力するスキル。

対応拡張子: mp3 / m4a / wav / ogg / flac / mp4 / mov / mkv / webm / avi など（whisper が内部で ffmpeg を呼ぶため動画もそのまま渡せる）。

実行手順

1. ユーザーが指定したファイルパスを確定する（ドラッグ&ドロップ時は引用符で囲む）
2. 以下のコマンドで文字起こしを実行:

基本（推奨デフォルト: turbo = large-v3-turbo + Whisper自然分割）:

python .claude/skills/media-transcriber/scripts/transcribe.py "入力ファイル" --language ja

最高精度（固有名詞多い議事録・重要案件）:

python .claude/skills/media-transcriber/scripts/transcribe.py "入力ファイル" --model large-v3 --language ja

軽量・高速（下書き用途）:

python .claude/skills/media-transcriber/scripts/transcribe.py "入力ファイル" --model base --language ja

N秒ごとに強制区切り（約5秒刻みで拾いたい）:

python .claude/skills/media-transcriber/scripts/transcribe.py "入力ファイル" --language ja --segment-seconds 5

文（センテンス）単位で区切る（句読点検出＋最大60秒cap）:

python .claude/skills/media-transcriber/scripts/transcribe.py "入力ファイル" --language ja --sentence

単語ごと（発話タイミング分析用、行数が大量に増えるので注意）:

python .claude/skills/media-transcriber/scripts/transcribe.py "入力ファイル" --language ja --word-level

1. 出力された全文md (<プロジェクトルート>/YYYYMMDD_HHMMSS_{basename}.md) を Read で読む
2. 全文の内容を踏まえて、Claude自身が 要約md を Write で作成する。ファイル名は YYYYMMDD_HHMMSS_{basename}_summary.md（全文mdと同じタイムスタンプ・同じディレクトリ）。要約の構成は下記「要約mdテンプレ」を既定とし、ユーザー指示があればそれに従う
3. 全文mdと要約mdの両パスをユーザーに報告する

引数

引数	説明	デフォルト
file	入力音声/動画ファイルパス（必須）	—
--model	whisperモデル名 (tiny / base / small / medium / large-v3 / turbo)	turbo
--language	言語コード（例: ja, en）。未指定時は自動検出	auto-detect
--output-format	出力フォーマット (md / json)	md
--segment-seconds	N秒ごとに行を区切る	未指定
--sentence	文（センテンス）単位で区切る。句読点検出＋上限秒capで再チャンク	false
--word-level	単語ごとに1行出力。最優先	false
--sentence-max-seconds	--sentence 時のフォールバック上限秒。句読点が無い音声で1文が長大化しないよう強制flush	60.0

分割粒度の優先順位（上が強い）: --word-level > --segment-seconds > --sentence > Whisper自然分割（デフォルト）

設定

プロジェクトルートの .env に以下の環境変数を設定する（任意。未設定時はプロジェクトルート直下に出力）:

# 例: transcripts/ 配下に出したい場合
TRANSCRIPT_OUTPUT_PATH=transcripts

変数名	説明
TRANSCRIPT_OUTPUT_PATH	出力先ディレクトリ（デフォルト: . = プロジェクトルート直下）

出力

全文md の例

# 文字起こし: meeting_20260421.mp4

- 元ファイル: /path/to/meeting_20260421.mp4
- モデル: medium
- 言語: ja (auto-detected)
- 実行日時: 2026-04-21 14:30:00
- 総尺: 00:45:12

## 全文

[00:00:00] 今日は四半期の振り返りから始めましょう。
[00:00:12] まず売上の件ですが、前年同月比で...

• ファイル名: YYYYMMDD_HHMMSS_{basename}.md（basename は入力ファイルの拡張子を除いた名前）
• 保存先: プロジェクトルート直下（デフォルト）。.env の TRANSCRIPT_OUTPUT_PATH で上書き可

要約md のテンプレ

Claude がこのテンプレを既定の骨格として書き出す:

# 要約: meeting_20260421.mp4

- 元ファイル: /path/to/meeting_20260421.mp4
- 総尺: 00:45:12
- 文字起こし: 20260421_143000_meeting_20260421.md

## 概要

3〜5行で全体像

## キーポイント

- 箇条書き5〜8個

## トピック別まとめ

### トピック1

...

## 次のアクション

- 担当 / 期限 / 内容

• ファイル名: YYYYMMDD_HHMMSS_{basename}_summary.md（全文mdと同じタイムスタンプ）
• 保存先: 全文mdと同じディレクトリ

要約の注意点

クライアント会議録・議事録としても使うことを前提に、以下のトーンで書く:

• 「全滅」「即停止」「劣後」「死蔵」「失敗」等のネガティブ断定語は使わない
• 数値での事実提示はOK。事実に対する評価表現で相手を否定しない
• ユーザーから別のトーン指示があればそれを優先する

モデル選択の目安

モデル	サイズ	速度	日本語精度	用途
tiny	~75MB	超高速	低	下書き・英語短尺
base	~150MB	高速	中の下	英語短尺・スピード優先
small	~500MB	中速	中	簡易な日本語
medium	~1.5GB	やや遅	高	旧定番（turboで置き換え可）
turbo	~1.5GB	高速	高 (v2相当)	推奨デフォルト（日本語・汎用）
large-v3	~3GB	遅い	最高	固有名詞多め・重要な議事録

2025年の実測比較では日本語用途で turbo (large-v3-turbo) が speed/accuracy のバランス最優秀。medium とメモリ・速度が同等で精度は同等以上なので、通常 turbo を第一選択に。最高精度が必要なときのみ large-v3。

初回実行時はモデルが ~/.cache/whisper/ にダウンロードされる（1回だけ）。turbo は約1.5GB。

依存パッケージ確認

初回エラー時は以下でインストール:

pip install -U openai-whisper python-dotenv

ffmpeg が別途必要（whisper が内部で呼ぶ）:

brew install ffmpeg