mcpField
A
anibon-local-transcription

anibon-local-transcription

github.com/zeniththクリエイティブ・メディア137 回インストール今日更新
リポジトリ

anibon-local-transcription について

字幕や自動キャプションのない YouTube 動画向けに、音声抽出と whisper.cpp によるローカル文字起こしを案内するスキルです。形式変換や長時間録音の幻覚ループからの復旧も扱います。

主な機能

  1. 0116 kHz WAV 音声の抽出
  2. 02whisper.cpp によるローカル文字起こし
  3. 03パイプライン用形式への変換
  4. 04長時間配信の幻覚ループ修復

活用シーン

  1. 01字幕のない動画の文字起こし
  2. 02長時間配信の録画処理
  3. 03動画分割用の文字起こし準備

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/zenithth/anibon-stream-synthesis --skill anibon-local-transcription

インストール後、Claude Code で/anibon-local-transcriptionを入力して読み込まれたか確認します。

詳細

Anibon ローカル音声文字起こし

概要とトリガー

対象の動画に YouTube の字幕や自動生成字幕がない場合に使用します。

1. 音声の抽出

一時ファイルの作成と、8 時間以上の長いストリームで WAV ヘッダーが 4 GB を超える問題を避けるため、音声ストリームをモノラル、16 kHz、16 ビット PCM WAV として直接ダウンロードします。

# Direct single-pass extraction via yt-dlp + ffmpeg:
yt-dlp -f ba -x --audio-format wav --postprocessor-args "ExtractAudio:-ar 16000 -ac 1 -c:a pcm_s16le" -o "audio_16k.%(ext)s" "VIDEO_URL"

メモ

YouTube が HTTP Error 403: Forbidden を返す場合は、まず yt-dlp を更新してください。

yt-dlp --update

または、既存の音声を変換します。

ffmpeg -i audio.wav -ar 16000 -ac 1 -c:a pcm_s16le audio_16k.wav

2. ローカルでの文字起こし

GPU アクセラレーション対応の whisper.cpp ビルドを実行します。

システムの PATH またはローカルの $HOME/whisper.cpp ビルドディレクトリに whisper-cli があるか確認します。

  • $HOME/whisper.cpp/build/bin/whisper-cli（Windows では .exe）
  • $HOME/whisper.cpp/main

モデルのパスは、デフォルトで $HOME/whisper.cpp/models/ggml-large-v3-turbo.bin です。

実行：

# Linux/macOS
whisper-cli -m models/ggml-large-v3-turbo.bin -f audio_16k.wav -l th -ot 240000 -t 8 --output-json -of whisper_output

# Windows (Vulkan Device 0: RX 7600, or Device 1: Tesla P100):
C:\Users\peter\whisper.cpp\build\bin\whisper-cli.exe -m C:\Users\peter\whisper.cpp\models\ggml-large-v3-turbo.bin -f audio_16k.wav -ot 240000 -l th -t 8 --output-json -of whisper_output --print-progress

（-ot 240000 は、無音部分での繰り返しループのバグを避けるため、冒頭の待機／イントロの無音部分を 4 分スキップします。）

ビルドオプションとプラットフォーム設定の全容については、BUILD_WHISPERCPP_GUILD.md を参照してください。

3. 形式変換と Windows の不変条件

whisper_output.json をパイプライン標準の raw_transcript.json に直接変換します。

重要

Windows の UTF-8 不変条件：

  1. Windows のデフォルトのコンソールエンコーディング（cp1252／charmap）では、タイ語のテキストを出力するとクラッシュします。スクリプトは必ず python -X utf8 で実行してください。
  2. MSVC の whisper-cli の出力では、セグメントバッファーの分割位置によって、マルチバイトのタイ語 UTF-8 文字が分割されることがあります。JSON は必ず errors="replace" を指定してデコードしてください。

インライン Python コンバーターを実行します。

python -X utf8 -c "
import json

def fmt_ts(seconds):
    h = int(seconds // 3600)
    m = int((seconds % 3600) // 60)
    s = int(seconds % 60)
    return f'{h:02d}:{m:02d}:{s:02d}'

with open('whisper_output.json', 'rb') as f:
    data = json.loads(f.read().decode('utf-8', errors='replace'))

items = []
for seg in data.get('transcription', []):
    text = seg.get('text', '').strip()
    if not text:
        continue
    offsets = seg.get('offsets', {})
    start_sec = offsets.get('from', 0) / 1000.0
    end_sec = offsets.get('to', 0) / 1000.0
    items.append({
        'text': text,
        'start': round(start_sec, 2),
        'duration': round(end_sec - start_sec, 2),
        'timestamp': fmt_ts(start_sec)
    })

with open('raw_transcript.json', 'w', encoding='utf-8') as out:
    json.dump(items, out, ensure_ascii=False, indent=2)
"

4. ハルシネーションの検出と復旧

2 時間以上のライブ配信では、Whisper が音楽や無音部分でループすることがあります。並列分割統治方式の復旧処理を実行します。

python -X utf8 ..\whisper-corruption-recovery\scripts\fix_hallucinations.py whisper_output.json audio_16k.wav --devices 0 -w 3 -o raw_transcript.json

続いて、prepare_video.py を使ってチャンク分割を実行します。

python -X utf8 scripts\prepare_video.py <VIDEO_URL> --workspace <WORKSPACE> --format txt --block 300 --overlap 30

コメント

Markdown 対応