transcribe

Audio Transcribe

OpenAI を使って音声を文字起こしします。必要に応じて話者分離（diarization）も行えます。決定的で再現性のある実行のために、同梱の CLI を優先して使用してください。

ワークフロー

1. 入力を収集します。音声ファイルのパス、希望するレスポンス形式（text/json/diarized_json）、任意の言語ヒント、既知の話者の参照情報などです。
2. OPENAI_API_KEY が設定されているか確認します。未設定の場合は、ユーザーにローカルで設定するよう依頼してください（キーの貼り付けを求めないでください）。
3. 妥当なデフォルト設定（高速なテキスト文字起こし）で、同梱の transcribe_diarize.py CLI を実行します。
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、必要であれば単一の的を絞った変更を加えて繰り返してください。
5. このリポジトリで作業する場合は、出力を output/transcribe/ 配下に保存します。

判断ルール

• 高速な文字起こしには、--response-format text を指定した gpt-4o-mini-transcribe をデフォルトとします。
• ユーザーが話者ラベルや話者分離を求める場合は、--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 を維持します。
• gpt-4o-transcribe-diarize ではプロンプティングはサポートされていません。

出力の規則

• 評価の実行には 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に --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 を優先して使用します。

uv pip install openai

uv が利用できない場合：

python3 -m pip install openai

環境

• ライブ API 呼び出しには OPENAI_API_KEY の設定が必要です。
• キーが未設定の場合は、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てください。
• チャットでキー全体を貼り付けるようユーザーに求めないでください。

スキルのパス（一度設定）

export CODEX_HOME="${CODEX_HOME:-$HOME/.codex}"
export TRANSCRIBE_CLI="$CODEX_HOME/skills/transcribe/scripts/transcribe_diarize.py"

ユーザー単位のスキルは $CODEX_HOME/skills（デフォルト：~/.codex/skills）にインストールされます。

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話者分離（最大 4 名）：

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（明示的指定）：

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

リファレンスマップ

• references/api.md：対応形式、制限、レスポンス形式、既知の話者に関する注意事項。