transcribe-video

動画の文字起こし

ローカルの動画ファイルから文字起こしテキストを抽出します。このスキルでは、まず埋め込み字幕を確認します（より高速で正確なため）。字幕が見つからない場合にのみ、API ベースの音声認識に切り替えます。

Step 1: 動画ファイルを特定する

ユーザーに動画ファイルのパスを確認します。対応形式：mp4、mkv、mov、avi、webm、および ffmpeg で処理できるすべての形式。

Step 2: 埋め込み字幕を確認する

ffprobe -v quiet -select_streams s -show_entries stream=index,codec_name:stream_tags=language,title -of json "<video_path>"

• 字幕ストリームがある場合 → Step 3a（埋め込み字幕を抽出）へ進みます
• 字幕ストリームがない場合 → Step 3b（API による文字起こし）へ進みます

Step 3a: 埋め込み字幕を抽出する

字幕トラックが複数ある場合は、動画の主な言語に一致するものを優先するか、ユーザーに使用するトラックを確認します。

# Extract as SRT (stream index 0 for first subtitle track; adjust if needed)
ffmpeg -i "<video_path>" -map 0:s:0 -c:s srt "<output_path>.srt" -y

抽出後、SRT を整形済みテキストに変換します：

• シーケンス番号を削除します
• タイムスタンプ行（\d{2}:\d{2}:\d{2} に一致する行）を削除します
• HTML のようなタグ（<i>、</i> など）を削除します
• 残った空でない行を結合します

整形済みの文字起こしを、動画ファイルと同じ場所に <video_name>.txt として保存します。これで完了です。Step 3b はスキップしてください。

Step 3b: API による文字起こし

同梱の文字起こしスクリプトを使用します。スクリプトは ~/.transcribe_video.env から認証情報を読み込みます。

前提条件の確認

1. 環境設定ファイルが存在することを確認します：

   test -f ~/.transcribe_video.env && echo "OK" || echo "MISSING"
   

2. 存在しない場合は、~/.transcribe_video.env を作成し、次の内容を記述するようユーザーに伝えます：

   OPENAI_API_KEY=your-key-here
   # Optional Base URL:
   # OPENAI_API_BASE=https://<base-url>/v1/
   # Optional Model Name:
   # TRANSCRIBE_MODEL=gpt-4o-transcribe
   

   続行する前に、ユーザーの確認を待ちます。

3. 依存関係を確認します：

   python3 -c "from openai import OpenAI; from dotenv import load_dotenv; print('OK')" 2>&1
   

   不足している場合：pip install openai python-dotenv

文字起こしを実行する

python3 <skill_directory>/scripts/transcribe.py "<video_path>"

スクリプトは音声を抽出して（WAV、16kHz モノラル）、API に送信し、動画ファイルと同じ場所に <video_name>.txt として文字起こしを保存します。

Step 4: 結果を報告する

ユーザーに次の内容を伝えます：

• 文字起こしファイルの保存場所
• 行数／おおよその単語数
• 埋め込み字幕と API による文字起こしのどちらを使用したか
• プレビューとして冒頭の数行を表示します