whisper-transcription について
Whisper Transcription は、OpenAI's Whisper で音声や動画をテキスト化するスキル兼コマンドラインワークフローです。録音から文字起こし、字幕、翻訳文、タイムスタンプデータを作成する用途を想定しています。
主な機能
- 01音声・動画ファイルの文字起こし
- 02フォルダー内の録音を一括処理
- 03TXT、SRT、VTT、JSON、TSV で出力
- 04文字起こしを指定言語に翻訳
- 05JSON 形式でタイムスタンプを抽出
- 06Whisper モデルを選択
活用シーン
- 01動画の字幕を作成
- 02ポッドキャストを文字起こし
- 03フォルダー内のインタビュー録音を処理
- 04外国語の音声を英語に翻訳
インストール
コマンドをコピーしてターミナルで実行します。
$
npx skills add https:/インストール後、Claude Code で/whisper-transcriptionを入力して読み込まれたか確認します。
同梱ファイルscripts/main.pyscripts/requirements.txt
詳細
Whisper Transcription
OpenAI の Whisper モデルを使って、あらゆる音声や動画をテキストに書き起こします。ChatGPT の音声機能を支えるものと同じ技術です。
このスキルを使う場面
- ポッドキャストの再活用 - エピソードをブログ記事、番組の概要、SNS向けの短いコンテンツに変換します
- 動画の字幕 - YouTube やソーシャルメディア向けに SRT/VTT ファイルを生成します
- インタビューの抽出 - 録音した通話から引用や重要な知見を取り出します
- コンテンツ監査 - 音声・動画ライブラリを検索可能にします
- 翻訳 - 外国語のコンテンツを書き起こして翻訳します
Claude が行うことと、あなたが決めること
| Claude が行うこと | あなたが決めること |
|---|---|
| 制作ワークフローを構成する | 最終的なクリエイティブの方向性 |
| 技術的なアプローチを提案する | 機材やツールの選択 |
| テンプレートやチェックリストを作成する | 品質基準 |
| ベストプラクティスを特定する | ブランドや声の方針 |
| 台本の概要を生成する | 台本の最終承認 |
依存関係
pip install openai-whisper torch ffmpeg-python click
# Also requires ffmpeg installed on system
# macOS: brew install ffmpeg
# Ubuntu: sudo apt install ffmpeg
コマンド
単一ファイルを書き起こす
python scripts/main.py transcribe audio.mp3 --model medium --output transcript.txt
python scripts/main.py transcribe video.mp4 --format srt --output subtitles.srt
一括書き起こし
python scripts/main.py batch ./recordings/ --format txt --output ./transcripts/
書き起こしと翻訳
python scripts/main.py translate foreign-audio.mp3 --to en
タイムスタンプを抽出する
python scripts/main.py timestamps podcast.mp3 --format json
使用例
例 1：ポッドキャストをブログ記事にする
# Transcribe 1-hour podcast
python scripts/main.py transcribe episode-42.mp3 --model medium
# Output: episode-42.txt (full transcript with timestamps)
# Processing time: ~5 min for 1 hour audio on M1 Mac
例 2：YouTube の字幕
# Generate SRT for video upload
python scripts/main.py transcribe marketing-video.mp4 --format srt
# Output: marketing-video.srt
# Upload directly to YouTube/Vimeo
例 3：インタビューライブラリを一括処理する
# Transcribe all recordings in folder
python scripts/main.py batch ./customer-interviews/ --model small --format txt
# Output: ./customer-interviews/*.txt (one per audio file)
モデル選択ガイド
| モデル | 速度 | 精度 | VRAM | 最適な用途 |
|---|---|---|---|---|
tiny | 最速 | 約 70% | 1GB | 簡単な下書き、短いクリップ |
base | 高速 | 約 80% | 1GB | ソーシャルメディア向けクリップ |
small | 中速 | 約 85% | 2GB | ポッドキャスト、インタビュー |
medium | 低速 | 約 90% | 5GB | プロフェッショナルな書き起こし |
large | 最も低速 | 約 95% | 10GB | 高い精度が不可欠な用途 |
推奨： ほとんどのマーケティングコンテンツでは、まず small をお試しください。クライアントに納品する成果物には medium を使用してください。
出力形式
| 形式 | 拡張子 | 用途 |
|---|---|---|
txt | .txt | ブログ記事、分析 |
srt | .srt | 動画字幕（YouTube） |
vtt | .vtt | ウェブ動画の字幕 |
json | .json | プログラムからのアクセス |
tsv | .tsv | スプレッドシートでの分析 |
パフォーマンスのヒント
- GPU アクセラレーション - CUDA GPU により 10 倍高速になります
- 音声の抽出 - スクリプトが動画から音声を自動で抽出します
- チャンク分割 - メモリ効率を高めるため、長いファイルは自動で分割されます
- 言語検出 - 自動検出されます。
--languageで指定することもできます
スキルの範囲
このスキルが得意なこと
- 音声制作ワークフローの構成
- 技術的なガイダンスの提供
- 品質チェックリストの作成
- クリエイティブなアプローチの提案
このスキルではできないこと
- 音響エンジニアリングの専門知識の代替
- 主観的なクリエイティブ判断
- 音声ファイルへの直接アクセスや編集
- 商業的な成功の保証
関連スキル
- video-processing - 動画から音声を抽出する
- youtube-downloader - 書き起こす動画をダウンロードする
- content-repurposer - 書き起こしをコンテンツに変換する
- podcast-production - ポッドキャストを制作する
スキルのメタデータ
- モード：cyborg
category: automation
subcategory: audio-processing
dependencies: [openai-whisper, torch, ffmpeg-python]
difficulty: beginner
time_saved: 10+ hours/week
コメント
Markdown 対応