audio-transcriber

目的

このスキルは、音声からテキストへの文字起こしを自動化し、プロフェッショナルなMarkdown出力を生成します。話者、タイムスタンプ、言語、ファイルサイズ、再生時間などの豊富なメタデータを抽出し、構造化された会議録とエグゼクティブサマリーを生成します。Faster-WhisperまたはWhisperを使用し、ゼロ設定で動作し、ハードコードされたパスやAPIキーなしにプロジェクト全体で普遍的に機能します。

Plaudのようなツールに触発されたこのスキルは、生の音声録音を実行可能なドキュメントに変換し、会議、インタビュー、講演、コンテンツ分析に最適です。

使用時期

以下の場合にこのスキルを実行してください：

• ユーザーが音声/ビデオファイルをテキストに文字起こしする必要がある
• ユーザーが録音から会議録を自動生成したい
• ユーザーが会話で話者識別（ダイアライゼーション）を必要としている
• ユーザーが字幕/キャプション（SRT、VTT形式）が必要
• ユーザーが長い音声コンテンツのエグゼクティブサマリーを求めている
• ユーザーが「この音声を文字起こしして」「音声をテキストに変換して」「録音から会議記録を生成して」などの変種を質問している
• ユーザーが一般的な形式の音声ファイル（MP3、WAV、M4A、OGG、FLAC、WEBM）を持っている

ワークフロー

ステップ 0: 検出（文字起こしツールの自動検出）

目的： ユーザー設定なしに利用可能な文字起こしエンジンを特定します。

アクション：

インストールされているツールを検出するために検出コマンドを実行します：

# Faster-Whisper の確認（推奨 - 4～5倍高速）
if python3 -c "import faster_whisper" 2>/dev/null; then
    TRANSCRIBER="faster-whisper"
    echo "✅ Faster-Whisper detected (optimized)"
# 元の Whisper にフォールバック
elif python3 -c "import whisper" 2>/dev/null; then
    TRANSCRIBER="whisper"
    echo "✅ OpenAI Whisper detected"
else
    TRANSCRIBER="none"
    echo "⚠️  No transcription tool found"
fi

# ffmpeg の確認（音声形式変換）
if command -v ffmpeg &>/dev/null; then
    echo "✅ ffmpeg available (format conversion enabled)"
else
    echo "ℹ️  ffmpeg not found (limited format support)"
fi

文字起こしツールが見つからない場合：

提供されたスクリプトを使用した自動インストールを提案します：

echo "⚠️  No transcription tool found"
echo ""
echo "🔧 Auto-install dependencies? (Recommended)"
read -p "Run installation script? [Y/n]: " AUTO_INSTALL

if [[ ! "$AUTO_INSTALL" =~ ^[Nn] ]]; then
    # スキルディレクトリを取得（リポジトリとシンボリックリンク設置の両方に対応）
    SKILL_DIR="$(cd "$(dirname "${BASH_SOURCE[0]}")" && pwd)"
    
    # インストールスクリプトを実行
    if [[ -f "$SKILL_DIR/scripts/install-requirements.sh" ]]; then
        bash "$SKILL_DIR/scripts/install-requirements.sh"
    else
        echo "❌ Installation script not found"
        echo ""
        echo "📦 Manual installation:"
        echo "  pip install faster-whisper  # Recommended"
        echo "  pip install openai-whisper  # Alternative"
        echo "  brew install ffmpeg         # Optional (macOS)"
        exit 1
    fi
    
    # インストール成功を確認
    if python3 -c "import faster_whisper" 2>/dev/null || python3 -c "import whisper" 2>/dev/null; then
        echo "✅ Installation successful! Proceeding with transcription..."
    else
        echo "❌ Installation failed. Please install manually."
        exit 1
    fi
else
    echo ""
    echo "📦 Manual installation required:"
    echo ""
    echo "Recommended (fastest):"
    echo "  pip install faster-whisper"
    echo ""
    echo "Alternative (original):"
    echo "  pip install openai-whisper"
    echo ""
    echo "Optional (format conversion):"
    echo "  brew install ffmpeg  # macOS"
    echo "  apt install ffmpeg   # Linux"
    echo ""
    exit 1
fi

これにより、ユーザーは1回の確認で依存関係をインストールするか、必要に応じて手動インストールを選択できます。

文字起こしツールが見つかった場合：

ステップ 0b（CLI検出）に進みます。

ステップ 1: 音声ファイルの検証

目的： ファイルが存在することを確認し、形式をチェックし、メタデータを抽出します。

アクション：

1. ユーザーからファイルパスまたはURLを受け取る：

   • ローカルファイル：meeting.mp3
   • URL：https://example.com/audio.mp3（一時ディレクトリにダウンロード）

2. ファイルが存在することを確認：

if [[ ! -f "$AUDIO_FILE" ]]; then
    echo "❌ File not found: $AUDIO_FILE"
    exit 1
fi

3. ffprobe またはファイルユーティリティを使用してメタデータを抽出：

# ファイルサイズを取得
FILE_SIZE=$(du -h "$AUDIO_FILE" | cut -f1)

# ffprobe を使用して再生時間と形式を取得
DURATION=$(ffprobe -v error -show_entries format=duration \
    -of default=noprint_wrappers=1:nokey=1 "$AUDIO_FILE" 2>/dev/null)
FORMAT=$(ffprobe -v error -select_streams a:0 -show_entries \
    stream=codec_name -of default=noprint_wrappers=1:nokey=1 "$AUDIO_FILE" 2>/dev/null)

# 再生時間を HH:MM:SS に変換
DURATION_HMS=$(date -u -r "$DURATION" +%H:%M:%S 2>/dev/null || echo "Unknown")

4. ファイルサイズをチェック（クラウドAPI用に大きい場合は警告）：

SIZE_MB=$(du -m "$AUDIO_FILE" | cut -f1)
if [[ $SIZE_MB -gt 25 ]]; then
    echo "⚠️  Large file ($FILE_SIZE) - processing may take several minutes"
fi

5. 形式を検証（対応形式：MP3、WAV、M4A、OGG、FLAC、WEBM）：

EXTENSION="${AUDIO_FILE##*.}"
SUPPORTED_FORMATS=("mp3" "wav" "m4a" "ogg" "flac" "webm" "mp4")

if [[ ! " ${SUPPORTED_FORMATS[@]} " =~ " ${EXTENSION,,} " ]]; then
    echo "⚠️  Unsupported format: $EXTENSION"
    if command -v ffmpeg &>/dev/null; then
        echo "🔄 Converting to WAV..."
        ffmpeg -i "$AUDIO_FILE" -ar 16000 "${AUDIO_FILE%.*}.wav" -y
        AUDIO_FILE="${AUDIO_FILE%.*}.wav"
    else
        echo "❌ Install ffmpeg to convert formats: brew install ffmpeg"
        exit 1
    fi
fi

ステップ 3: Markdown出力の生成

目的： メタデータ、文字起こし、会議録、サマリーを含む構造化されたMarkdownを作成します。

出力テンプレート：

# Audio Transcription Report

## 📊 Metadata

| Field | Value |
|-------|-------|
| **File Name** | {filename} |
| **File Size** | {file_size} |
| **Duration** | {duration_hms} |
| **Language** | {language} ({language_code}) |
| **Processed Date** | {process_date} |
| **Speakers Identified** | {num_speakers} |
| **Transcription Engine** | {engine} (model: {model}) |


## 📋 Meeting Minutes

### Participants
- {speaker_1}
- {speaker_2}
- ...

### Topics Discussed
1. **{topic_1}** ({timestamp})
   - {key_point_1}
   - {key_point_2}

2. **{topic_2}** ({timestamp})
   - {key_point_1}

### Decisions Made
- ✅ {decision_1}
- ✅ {decision_2}

### Action Items
- [ ] **{action_1}** - Assigned to: {speaker} - Due: {date_if_mentioned}
- [ ] **{action_2}** - Assigned to: {speaker}


*Generated by audio-transcriber skill v1.0.0*  
*Transcription engine: {engine} | Processing time: {elapsed_time}s*

実装：

インテリジェントなサマリー化のためにPythonまたはbashをAIモデル（Claude/GPT）と共に使用します：

def generate_meeting_minutes(segments):
    """文字起こしからトピック、決定、アクションアイテムを抽出します。"""
    
    # セグメントをトピック別にグループ化（タイムスタンプで単純クラスタリング）
    topics = cluster_by_topic(segments)
    
    # アクションアイテムを特定（キーワード："should"、"will"、"need to"、"action"）
    action_items = extract_action_items(segments)
    
    # 決定を特定（キーワード："decided"、"agreed"、"approved"）
    decisions = extract_decisions(segments)
    
    return {
        "topics": topics,
        "decisions": decisions,
        "action_items": action_items
    }

def generate_summary(segments, max_paragraphs=5):
    """AIを使用してエグゼクティブサマリーを作成します（Claude/GPT API またはローカルモデル経由）。"""
    
    full_text = " ".join([s["text"] for s in segments])
    
    # Chain of Density アプローチを使用（prompt-engineer フレームワークから）
    summary_prompt = f"""
    Summarize the following transcription in {max_paragraphs} concise paragraphs.
    Focus on key topics, decisions, and action items.
    
    Transcription:
    {full_text}
    """
    
    # AIモデルを呼び出し（プレースホルダー - ユーザーはClaude APIを統合するか、ローカルモデルを使用できます）
    summary = call_ai_model(summary_prompt)
    
    return summary

出力ファイル命名：

# v1.1.0: タイムスタンプを使用して上書きを回避
TIMESTAMP=$(date +%Y%m%d-%H%M%S)
TRANSCRIPT_FILE="transcript-${TIMESTAMP}.md"
ATA_FILE="ata-${TIMESTAMP}.md"

echo "$TRANSCRIPT_CONTENT" > "$TRANSCRIPT_FILE"
echo "✅ Transcript salvo: $TRANSCRIPT_FILE"

if [[ -n "$ATA_CONTENT" ]]; then
    echo "$ATA_CONTENT" > "$ATA_FILE"
    echo "✅ Ata salva: $ATA_FILE"
fi

シナリオ A: ユーザーがカスタムプロンプトを提供

ワークフロー：

1. ユーザーのプロンプトを表示：

   📝 Prompt fornecido pelo usuário:
   ┌──────────────────────────────────┐
   │ [User's prompt preview]          │
   └──────────────────────────────────┘
   

2. prompt-engineer が利用可能な場合、自動的に改善：

   🔧 Melhorando prompt com prompt-engineer...
   [Invokes: gh copilot -p "melhore este prompt: {user_prompt}"]
   

3. 両方のバージョンを表示：

   ✨ Versão melhorada:
   ┌──────────────────────────────────┐
   │ Role: Você é um documentador...  │
   │ Instructions: Transforme...      │
   │ Steps: 1) ... 2) ...             │
   │ End Goal: ...                    │
   └──────────────────────────────────┘
   
   📝 Versão original:
   ┌──────────────────────────────────┐
   │ [User's original prompt]         │
   └──────────────────────────────────┘
   

4. どちらを使用するかを質問：

   💡 Usar versão melhorada? [s/n] (default: s):
   

5. 選択されたプロンプトで処理：

   • "s" の場合：改善版を使用
   • "n" の場合：オリジナルを使用

LLM処理（両方のシナリオ）

プロンプトが確定したら：

from rich.progress import Progress, SpinnerColumn, TextColumn

def process_with_llm(transcript, prompt, cli_tool='claude'):
    full_prompt = f"{prompt}\n\n---\n\nTranscrição:\n\n{transcript}"
    
    with Progress(
        SpinnerColumn(),
        TextColumn("[progress.description]{task.description}"),
        transient=True
    ) as progress:
        progress.add_task(
            description=f"🤖 Processando com {cli_tool}...",
            total=None
        )
        
        if cli_tool == 'claude':
            result = subprocess.run(
                ['claude', '-'],
                input=full_prompt,
                capture_output=True,
                text=True,
                timeout=300  # 5分
            )
        elif cli_tool == 'gh-copilot':
            result = subprocess.run(
                ['gh', 'copilot', 'suggest', '-t', 'shell', full_prompt],
                capture_output=True,
                text=True,
                timeout=300
            )
    
    if result.returncode == 0:
        return result.stdout.strip()
    else:
        return None

進行状況の出力：

🤖 Processando com claude... ⠋
[完了後:]
✅ Ata gerada com sucesso!

最終出力

成功（両方のファイル）：

💾 Salvando arquivos...

✅ Arquivos criados:
  - transcript-20260203-023045.md  (transcript puro)
  - ata-20260203-023045.md         (processado com LLM)

🧹 Removidos arquivos temporários: metadata.json, transcription.json

✅ Concluído! Tempo total: 3m 45s

文字起こしのみ（ユーザーがLLMを拒否）：

💾 Salvando arquivos...

✅ Arquivo criado:
  - transcript-20260203-023045.md

ℹ️  Ata não gerada (processamento LLM recusado pelo usuário)

🧹 Removidos arquivos temporários: metadata.json, transcription.json

✅ Concluído!

ステップ 5: 結果サマリーを表示

目的： 完了状態と次のステップを表示します。

出力：

echo ""
echo "✅ Transcription Complete!"
echo ""
echo "📊 Results:"
echo "  File: $OUTPUT_FILE"
echo "  Language: $LANGUAGE"
echo "  Duration: $DURATION_HMS"
echo "  Speakers: $NUM_SPEAKERS"
echo "  Words: $WORD_COUNT"
echo "  Processing time: ${ELAPSED_TIME}s"
echo ""
echo "📝 Generated:"
echo "  - $OUTPUT_FILE (Markdown report)"
[if alternative formats:]
echo "  - ${OUTPUT_FILE%.*}.srt (Subtitles)"
echo "  - ${OUTPUT_FILE%.*}.json (Structured data)"
echo ""
echo "🎯 Next steps:"
echo "  1. Review meeting minutes and action items"
echo "  2. Share report with participants"
echo "  3. Track action items to completion"

使用例

例 1: 基本的な文字起こし

ユーザー入力：

copilot> transcribe audio to markdown: meeting-2026-02-02.mp3

スキル出力：

✅ Faster-Whisper detected (optimized)
✅ ffmpeg available (format conversion enabled)

📂 File: meeting-2026-02-02.mp3
📊 Size: 12.3 MB
⏱️  Duration: 00:45:32

🎙️  Processing...
[████████████████████] 100%

✅ Language detected: Portuguese (pt-BR)
👥 Speakers identified: 4
📝 Generating Markdown output...

✅ Transcription Complete!

📊 Results:
  File: meeting-2026-02-02.md
  Language: pt-BR
  Duration: 00:45:32
  Speakers: 4
  Words: 6,842
  Processing time: 127s

📝 Generated:
  - meeting-2026-02-02.md (Markdown report)

🎯 Next steps:
  1. Review meeting minutes and action items
  2. Share report with participants
  3. Track action items to completion

例 3: バッチ処理

ユーザー入力：

copilot> transcreva estes áudios: recordings/*.mp3

スキル出力：

📦 Batch mode: 5 files found
  1. team-standup.mp3
  2. client-call.mp3
  3. brainstorm-session.mp3
  4. product-demo.mp3
  5. retrospective.mp3

🎙️  Processing batch...

[1/5] team-standup.mp3 ✅ (2m 34s)
[2/5] client-call.mp3 ✅ (15m 12s)
[3/5] brainstorm-session.mp3 ✅ (8m 47s)
[4/5] product-demo.mp3 ✅ (22m 03s)
[5/5] retrospective.mp3 ✅ (11m 28s)

✅ Batch Complete!
📝 Generated 5 Markdown reports
⏱️  Total processing time: 6m 15s

例 5: 大容量ファイルの警告

ユーザー入力：

copilot> transcribe audio to markdown: conference-keynote.mp3

スキル出力：

✅ Faster-Whisper detected (optimized)

📂 File: conference-keynote.mp3
📊 Size: 87.2 MB
⏱️  Duration: 02:15:47
⚠️  Large file (87.2 MB) - processing may take several minutes

Continue? [Y/n]:

ユーザー： Y

🎙️  Processing... (this may take 10-15 minutes)
[████░░░░░░░░░░░░░░░░] 20% - Estimated time remaining: 12m

このスキルはプラットフォーム非依存で、GitHub Copilot CLIが利用可能な任意のターミナルコンテキストで機能します。特定のプロジェクト設定や外部APIに依存せず、ゼロ設定の哲学に従っています。

制限事項

• このスキルは、タスクが上記で説明されたスコープに明確に一致する場合にのみ使用してください。
• 出力を環境固有の検証、テスト、または専門家のレビューの代替とは考えないでください。
• 必要な入力、許可、安全性境界、または成功基準が不足している場合は、停止して説明を求めてください。