transcribe

音声の文字起こし

OpenAI を使用して音声を文字起こしします。必要に応じて、話者ダイアライゼーションも行えます。決定論的で再現可能な実行には、同梱の CLI を優先してください。

ワークフロー

1. 入力を収集します：音声ファイルのパス、希望する応答形式（text/json/diarized_json）、任意の言語ヒント、既知の話者の情報。
2. OPENAI_API_KEY が設定されていることを確認します。設定されていない場合は、ユーザーにローカルで設定するよう依頼します（キーを貼り付けるよう求めないでください）。
3. 同梱の transcribe_diarize.py CLI を適切なデフォルト設定（高速なテキスト文字起こし）で実行します。
4. 出力を検証します：文字起こしの品質、話者ラベル、セグメントの境界を確認し、必要に応じて対象を絞った変更を1つ加えて再実行します。
5. このリポジトリ内で作業する場合は、出力を output/transcribe/ に保存します。

判断基準

• 高速な文字起こしでは、デフォルトで gpt-4o-mini-transcribe と --response-format text を使用します。
• ユーザーが話者ラベルまたはダイアライゼーションを希望する場合は、--model gpt-4o-transcribe-diarize --response-format diarized_json を使用します。
• 音声が約30秒を超える場合は、--chunking-strategy auto を指定します。
• gpt-4o-transcribe-diarize ではプロンプトを使用できません。

出力規則

• 評価実行には output/transcribe/<job-id>/ を使用します。
• 複数ファイルの場合は、上書きを避けるため --out-dir を使用します。

依存関係（不足している場合はインストール）

依存関係の管理には uv を優先してください。

uv pip install openai

uv を利用できない場合：

python3 -m pip install openai

環境

• ライブ API 呼び出しには OPENAI_API_KEY を設定する必要があります。
• キーが設定されていない場合は、OpenAI プラットフォームの UI でキーを作成し、シェルでエクスポートするようユーザーに案内します。
• チャットでキー全体を貼り付けるようユーザーに求めてはいけません。

スキルのパス（初回のみ設定）

# Set to the directory containing this SKILL.md
export TRANSCRIBE_CLI="<path-to-skill>/scripts/transcribe_diarize.py"

<path-to-skill> を、実際のスキルのインストールディレクトリ（例：.skills/transcribe または ~/.letta/skills/transcribe）に置き換えます。

CLI クイックスタート

単一ファイル（高速なテキストがデフォルト）：

python3 "$TRANSCRIBE_CLI" \
  path/to/audio.wav \
  --out transcript.txt

既知の話者を指定したダイアライゼーション（最大4人）：

python3 "$TRANSCRIBE_CLI" \
  meeting.m4a \
  --model gpt-4o-transcribe-diarize \
  --known-speaker "Alice=refs/alice.wav" \
  --known-speaker "Bob=refs/bob.wav" \
  --response-format diarized_json \
  --out-dir output/transcribe/meeting

プレーンテキスト出力（明示的に指定）：

python3 "$TRANSCRIBE_CLI" \
  interview.mp3 \
  --response-format text \
  --out interview.txt

参照マップ

• references/api.md：対応形式、制限、応答形式、既知の話者に関する注意事項。