Whisper トランスクリプション

OpenAI の Whisper モデルを使用して、あらゆるオーディオまたはビデオをテキストに変換します。ChatGPT の音声機能を支える同じテクノロジーです。

このスキルを使用する場合

• ポッドキャストの再利用 - エピソードをブログ投稿、ショーノート、ソーシャルメディアスニペットに変換
• ビデオ字幕 - YouTube やソーシャルメディア用の SRT/VTT ファイルを生成
• インタビュー抽出 - 録音された通話から引用と洞察を抽出
• コンテンツ監査 - オーディオ/ビデオライブラリを検索可能にする
• 翻訳 - 外国語コンテンツのトランスクリプションと翻訳

Claude が行うこと vs あなたが決めること

Claude が行うこと	あなたが決めること
制作ワークフローの構造化	最終的な創造的方向性
技術的なアプローチの提案	機器とツールの選択
テンプレートとチェックリストの作成	品質基準
ベストプラクティスの特定	ブランド/声の決定
スクリプトアウトラインの生成	最終スクリプト承認

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

単一ファイルのトランスクリプション

python scripts/main.py transcribe audio.mp3 --model medium --output transcript.txt
python scripts/main.py transcribe video.mp4 --format srt --output subtitles.srt

バッチトランスクリプション

python scripts/main.py batch ./recordings/ --format txt --output ./transcripts/

トランスクリプション + 翻訳

python scripts/main.py translate foreign-audio.mp3 --to en

タイムスタンプの抽出

python scripts/main.py timestamps podcast.mp3 --format json

例

例 1: ポッドキャストからブログ投稿へ

# 1 時間のポッドキャストをトランスクリプション
python scripts/main.py transcribe episode-42.mp3 --model medium

# 出力: episode-42.txt (タイムスタンプ付きの完全トランスクリプション)
# 処理時間: M1 Mac で 1 時間のオーディオに対して約 5 分

例 2: YouTube 字幕

# ビデオアップロード用に SRT を生成
python scripts/main.py transcribe marketing-video.mp4 --format srt

# 出力: marketing-video.srt
# YouTube/Vimeo に直接アップロード

例 3: インタビューライブラリのバッチ処理

# フォルダ内のすべての録音をトランスクリプション
python scripts/main.py batch ./customer-interviews/ --model small --format txt

# 出力: ./customer-interviews/*.txt (オーディオファイルごとに 1 つ)

モデル選択ガイド

モデル	速度	精度	VRAM	用途
tiny	最速	~70%	1GB	クイックドラフト、短いクリップ
base	高速	~80%	1GB	ソーシャルメディアクリップ
small	中速	~85%	2GB	ポッドキャスト、インタビュー
medium	低速	~90%	5GB	プロフェッショナルトランスクリプション
large	最低速	~95%	10GB	高精度が必要なケース

推奨事項: ほとんどのマーケティングコンテンツは small で開始します。クライアント納品物には medium を使用してください。

出力フォーマット

フォーマット	拡張子	用途
txt	.txt	ブログ投稿、分析
srt	.srt	ビデオ字幕 (YouTube)
vtt	.vtt	ウェブビデオ字幕
json	.json	プログラムによるアクセス
tsv	.tsv	スプレッドシート分析

パフォーマンスのコツ

1. GPU アクセラレーション - CUDA GPU で 10 倍高速化
2. オーディオ抽出 - スクリプトが自動的にビデオからオーディオを抽出
3. チャンキング - 長いファイルはメモリ効率のため自動分割
4. 言語検出 - 自動、または --language で指定

スキルの境界

このスキルが得意なこと

• オーディオ制作ワークフローの構造化
• 技術的ガイダンスの提供
• 品質チェックリストの作成
• 創造的なアプローチの提案

このスキルにはできないこと

• オーディオエンジニアリング専門知識の代替
• 主観的な創造的決定
• オーディオファイルの直接アクセスまたは編集
• 商業的成功の保証

関連スキル

• video-processing - ビデオからオーディオを抽出
• youtube-downloader - トランスクリプション用のビデオをダウンロード
• content-repurposer - トランスクリプションをコンテンツに変換
• podcast-production - ポッドキャストを作成

スキルメタデータ

• モード: cyborg

category: automation
subcategory: audio-processing
dependencies: [openai-whisper, torch, ffmpeg-python]
difficulty: beginner
time_saved: 10+ hours/week