transcript-cleanup

現在のプロジェクトの output/ ディレクトリにあるすべての文字起こしファイルを処理します。以下の手順に注意深く従ってください。

Step 1: 入力ファイルを見つける

Glob を使って、output/ 内のすべての .txt ファイルを検索します。ファイルがない場合は、処理するものがないことを報告して終了します。

Step 2: 各ファイルを解析する

各ファイルから、=== TRANSCRIPTION === 以下の内容のみを抽出します。=== SUMMARY === と === METADATA === のセクションは無視します。

Step 3: ファイル名から日時の見出しを作成する

各ファイル名は YYYY_MM_DD_HH_MM_SS.txt という形式です。これを曜日を含む、人が読みやすい日時文字列に次の形式で変換します。

## Thursday, February 26, 2026 at 2:20 PM

12 時間制の AM/PM 表記を使います。日付から曜日を正しく算出してください。

Step 4: 各文字起こしを整える

文字起こしのテキストには、以下のルールを適用します。

• すべてのスペルミスを修正します
• 文法上の誤り（主語と動詞の一致、時制の一貫性など）を修正します
• 適切な句読点（ピリオド、コンマ、アポストロフィ、短縮形など）を追加します
• 固有名詞と文頭を大文字にします
• 完結した文をそれぞれ独立した行に配置します
• 各文の間に空行を入れます
• 断片的な語句を、まとまりのある完結した文にまとめます
• つなぎ言葉（um、uh、like）を削除します
• 言い直しや繰り返された単語を削除します

Step 5: 出力を書き込む

Bash で date '+%Y_%m_%d_%H_%M_%S' を実行して、現在の日時を取得します。整えたすべての文字起こしを次の場所に書き込みます。

cleaned/transcripts_YYYY_MM_DD_HH_MM_SS.md

ここで、タイムスタンプには Bash コマンドで取得した値を使います。cleaned/ ディレクトリが存在しない場合は作成します。

ファイルには、すべての文字起こしをファイル名の逆時系列順（新しいファイルが先）で含め、それぞれを ## 日時見出しの下に配置します。各文字起こしは見出しのみで区切り、水平線は入れません。

出力ファイルには整えた文字起こしのみを含め、導入文、説明、その他のコメントは追加しません。

Step 6: 検証する

出力ファイルを書き込んだ後、次のことを確認します。

• ファイルが存在し、空ではないこと
• 出力内の ## 見出しの数が、処理した入力ファイルの数と一致すること

検証に失敗した場合は、エラーを明確に報告し、output/ 内のファイルは削除しないでください。

Step 7: 元ファイルを削除する

検証に合格した場合に限り、処理したすべての .txt ファイルを Bash で output/ から削除します。

Step 8: 元の録音ファイルには触れない

.mp3 ファイルを移動、削除、その他の方法で操作しないでください。

トランスクリプターは、録音の文字起こしがディスク上にあることを確認した時点で、Python から各録音を自身で削除します。

以前はこの処理をここで行っていましたが、録音と文字起こしをファイル名で照合する方法は当て推量にすぎず、誰かのボイスメモを削除する責任を当て推量に委ねるべきではないため、何か月ものあいだひそかに失敗していました。

処理したファイル数と出力ファイルのパスを報告します。