transcribe-audio

スキル：音声の文字起こし（親向けブリーフ）

注記： ライブラリのパイプラインでは、文字起こしはサブエージェントを呼び出すのではなく、ruby lib/buttercut/process_footage.rb transcripts <library>（TranscribeJobを使用）で機械的に実行されます。そのため、映像の分析結果はモデル間で同一になります。WhisperX コマンドは lib/buttercut/transcribe_job.rb の1か所だけに記述されており、単独でも実行できます：ruby lib/buttercut/transcribe_job.rb <video_path> <output_dir> <language_code> <whisper_model>。refine_instructions.mdは、analyze-videoのステップ3でディスパッチされる、別個の（判断を伴う）リファインメント手順のための手引きです。

WhisperX を使って動画の音声を文字起こしし、単語単位のタイミング情報を含む整った JSON 形式の文字起こしデータを生成します。

SKILL.mdは親エージェント向けのディスパッチブリーフです。サブエージェントの作業用プロンプトはagent_prompt.mdにあります。Task エージェントを起動するときに、その内容をインラインで含めてください。SKILL.mdは渡さないでください。

並列処理

同時に起動できるのは最大2つです。WhisperX は内部ですでにマルチスレッド化されています（CTranslate2 経由で約4 CPUスレッド）。16GBのマシンでは、処理量とメモリ使用量のバランスが最もよいのは2プロセスです。

収集してインラインで渡す入力

親エージェントはlibrary.yamlとsettings.yamlを読み取り、各エージェントのプロンプトに次の値をインラインで渡します。

• video_path — 動画ファイルの絶対パス
• transcript_output_dir — 文字起こし JSON の保存先（例：libraries/<library>/transcripts）
• language_code — ISO 639-1 コード（例：en、es）。親エージェントが library.yaml のlanguage名から変換します
• whisper_model — settings.yaml のモデルサイズ（例：small、medium、turbo）
• transcript_refinement — library.yaml のブール値。trueの場合は、次の値も渡します：
  • user_context（空文字列の場合があります）
  • footage_summary（空文字列の場合があります）

エージェントから応答があったら、library.yamlを更新してtranscript: <filename>.jsonを設定します。

次のステップ

すべての動画の音声文字起こしが完了したら、映像の説明を作成するためにanalyze-videoをディスパッチします。

依存関係

WhisperX がインストールされている必要があります。確認にはsetupスキルを使用してください。