asr

使用する場合

• ユーザーが音声ファイルをテキストに書き起こしたい場合
• ユーザーが音声ファイルのパスを指定して、書き起こしを依頼した場合
• ユーザーが「转录」、「识别」、「transcribe」、「语音转文字」と言った場合

使用しない場合

• ユーザーがテキストから音声を合成したい場合（/tts を使用）
• ユーザーがポッドキャストや解説動画を作成したい場合（/podcast または /explainer を使用）

目的

ローカルの音声認識モデルを使って完全にオフラインで動作する coli asr により、音声ファイルをテキストに書き起こします。API キーは不要です。中国語、英語、日本語、韓国語、広東語（sensevoice モデル）、または英語のみ（whisper モデル）に対応しています。

現在の CLI オプションとサポート対象のフラグは、coli asr --help を実行して確認してください。

絶対的な制約

• シェルスクリプトは使用しないでください。直接コマンドのみを使用してください。
• やり取りを始める前に、必ず shared/config-pattern.md に従って設定を読み込んでください。
• やり取りのパターンは shared/cli-patterns.md に従ってください。
• 一度に複数の質問をしないでください。

複数選択の各ステップでは、必ず AskUserQuestion ツールを使用してください。選択肢を通常のテキストとして表示してはいけません。一度に1つの質問をし、次に進む前にユーザーの回答を待ってください。 すべてのパラメーターを収集したら、書き起こしを実行する前に内容を要約し、ユーザーに確認を求めてください。

やり取りの流れ

ステップ 0：前提条件の確認

設定を行う前に、環境を確認してください（ユーザーには通知しません）。

COLI_OK=$(which coli 2>/dev/null && echo yes || echo no)
FFMPEG_OK=$(which ffmpeg 2>/dev/null && echo yes || echo no)
MODELS_DIR="$HOME/.coli/models"
MODELS_OK=$([ -d "$MODELS_DIR" ] && ls "$MODELS_DIR" | grep -q sherpa && echo yes || echo no)

問題	対応
coli が見つからない	中断します。まず npm install -g @marswave/coli を実行するようユーザーに伝えてください
ffmpeg が見つからない	警告します（WAV ファイルは引き続き動作します）。brew install ffmpeg / sudo apt install ffmpeg を提案してください
モデルがダウンロードされていない	初回の書き起こし時に、モデル（約60MB）が ~/.coli/models/ に自動ダウンロードされることをユーザーに伝えてください

coli が見つからない場合は、ここで中断して先に進まないでください。

ステップ 0：設定

shared/config-pattern.md のステップ 0（質問なしで起動）に従ってください。

ファイルが存在しない場合 — デフォルト設定で黙って作成し、そのまま進みます：

mkdir -p ".listenhub/asr"
echo '{"model":"sensevoice","polish":true}' > ".listenhub/asr/config.json"
CONFIG_PATH=".listenhub/asr/config.json"
CONFIG=$(cat "$CONFIG_PATH")

設定に関する質問はしないでください。 適切なデフォルト（sensevoice モデル、磨き上げを有効）を使って、やり取りの流れに直接進んでください。

ファイルが存在する場合 — 設定を黙って読み込み、そのまま進みます：

CONFIG_PATH=".listenhub/asr/config.json"
[ ! -f "$CONFIG_PATH" ] && CONFIG_PATH="$HOME/.listenhub/asr/config.json"
CONFIG=$(cat "$CONFIG_PATH")

設定フロー（ユーザーから再設定を依頼された場合のみ）

ユーザーが明示的に再設定を依頼した場合にのみ実行してください。現在の設定を表示します：

当前配置 (asr)：
  模型：sensevoice / whisper-tiny.en
  润色：开启 / 关闭

次の順に尋ねます：

1. model：「デフォルトでどの音声認識モデルを使用しますか？」

   • 「sensevoice（推奨）」— 中国語、英語、日本語、韓国語、広東語に対応し、言語、感情、音声イベントを検出できます
   • 「whisper-tiny.en」— 英語のみ

2. polish：「書き起こし後に AI でテキストを整えますか？（句読点の修正、フィラーの削除、読みやすさの向上）」

   • 「はい（推奨）」→ polish: true
   • 「いいえ、元の書き起こしを保持する」→ polish: false

回答をすべて収集した後、一度に保存します。

ステップ 1：音声ファイルを取得

ユーザーがファイルパスを指定していない場合は、次のように尋ねます：

「書き起こす音声ファイルのパスを指定してください。」

ファイルが存在することを確認してから先に進みます。

ステップ 2：確認

准备转录：

  文件：{filename}
  模型：{model}
  润色：{是 / 否}

继续？

ステップ 3：書き起こし

メタデータを取得するため、JSON 出力を指定して coli asr を実行します：

coli asr -j --model {model} "{file}"

初回の実行時に、coli は必要なモデルを自動的にダウンロードします。少し時間がかかることがあります。モデルがまだダウンロードされていない場合は、ユーザーに伝えてください。

JSON の結果を解析して、text、lang、emotion、event、duration を取り出します。

ステップ 4：文章を整える（有効な場合）

polish が true の場合、書き起こし結果の生の text を受け取り、句読点を修正し、フィラーを取り除き、読みやすく書き直します。元の意味と話者の意図は保持してください。要約や言い換えはしないでください。

ステップ 5：結果を提示

会話内に書き起こし結果を直接表示します：

转录完成

{transcript text}

─────────────────
语言：{lang} · 情绪：{emotion} · 时长：{duration}s

文章を整えた場合は、AI による調整済みであることを添えて、整えたバージョンを表示します。希望があれば元の書き起こしも表示できると伝えてください。

ステップ 6：Markdown としてエクスポート（任意）

結果を提示した後、次のように尋ねます：

Question: "保存为 Markdown 文件到当前目录？"
Options:
  - "是" — save to current directory
  - "否" — done

はいの場合、{audio-filename}-transcript.md を現在の作業ディレクトリ（ユーザーが Claude Code を実行している場所）に書き込みます。ファイルには書き起こしテキスト（磨き上げが有効な場合は整えたバージョン）を含め、次のフロントマターを付けます：

---
source: {original audio filename}
date: {YYYY-MM-DD}
model: {model used}
duration: {duration}s
lang: {detected language}
---

{transcript text}

組み合わせ

• 呼び出し元：録音した音声の書き起こしが必要な今後のスキル
• 呼び出すもの：なし

使用例

"このファイルを文字起こししてください meeting.m4a"

1. 前提条件を確認します
2. 設定を読み込みます
3. 確認します：meeting.m4a、sensevoice、整文は有効
4. coli asr -j --model sensevoice "meeting.m4a" を実行します
5. 生のテキストを整文します
6. インラインで表示します

"interview.wav を文字起こししてください。整文なし"

1. 前提条件を確認します
2. 設定を読み込みます
3. このセッションでは整文を無効にします
4. coli asr -j --model sensevoice "interview.wav" を実行します
5. 整文前の文字起こしをインラインで表示します