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、再生時間などのリッチな技術メタデータを抽出し、構造化された会議議事録とエグゼクティブサマリーを作成します。Faster-WhisperまたはWhisperを設定不要で使用し、ハードコードされたパスやAPIキーを必要とせず、プロジェクト全体で汎用的に動作します。
Plaudのようなツールに触発されたこのスキルは、生の音声録音を実用的なドキュメントに変換するため、会議、インタビュー、講義、コンテンツ分析に最適です。
使用するタイミング
以下の場合にこのスキルを呼び出してください:
- ユーザーが音声/動画ファイルの文字起こしを必要としている場合
- 録音から自動的に会議議事録を生成したい場合
- 会話内の話者識別(ダイアライゼーション)が必要な場合
- 字幕/キャプション(SRT、VTT形式)が必要な場合
- 長い音声コンテンツのエグゼクティブサマリーが必要な場合
- 「この音声を文字起こしして」「音声をテキストに変換して」「録音からミーティングノートを生成して」といったバリエーションのリクエストがあった場合
- ユーザーが一般的な形式(MP3、WAV、M4A、OGG、FLAC、WEBM)の音声ファイルを持っている場合
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: ユーザーの設定なしで、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:
検出コマンドを実行して、インストール済みのツールを確認します:
# Faster-Whisperをチェック(推奨 - 4〜5倍高速)
if python3 -c "import faster_whisper" 2>/dev/null; then
TRANSCRIBER="faster-whisper"
echo "✅ Faster-Whisper を検出しました(最適化版)"
# フォールバック:元のWhisper
elif python3 -c "import whisper" 2>/dev/null; then
TRANSCRIBER="whisper"
echo "✅ OpenAI Whisper を検出しました"
else
TRANSCRIBER="none"
echo "⚠️ 文字起こしツールが見つかりません"
fi
# ffmpegをチェック(音声フォーマット変換用)
if command -v ffmpeg &>/dev/null; then
echo "✅ ffmpeg が利用可能です(フォーマット変換が有効)"
else
echo "ℹ️ ffmpeg が見つかりません(フォーマットサポートが制限されます)"
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 "⚠️ 文字起こしツールが見つかりません"
echo ""
echo "🔧 依存関係を自動インストールしますか?(推奨)"
read -p "インストールスクリプトを実行しますか? [Y/n]: " AUTO_INSTALL
if [[ ! "$AUTO_INSTALL" =~ ^[Nn] ]]; then
# スキルディレクトリを取得(リポジトリとシンボリックリンクの両方で動作)
SKILL_DIR="$(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 "❌ インストールスクリプトが見つかりません"
echo ""
echo "📦 手動インストール:"
echo " pip install faster-whisper # 推奨"
echo " pip install openai-whisper # 代替"
echo " brew install ffmpeg # オプション(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 "✅ インストール成功!文字起こしを続行します..."
else
echo "❌ インストールに失敗しました。手動でインストールしてください。"
exit 1
fi
else
echo ""
echo "📦 手動インストールが必要です:"
echo ""
echo "推奨(最速):"
echo " pip install faster-whisper"
echo ""
echo "代替(オリジナル):"
echo " pip install openai-whisper"
echo ""
echo "オプション(フォーマット変換):"
echo " brew install ffmpeg # macOS"
echo " apt install ffmpeg # Linux"
echo ""
exit 1
fi
これにより、ユーザーは確認1つで依存関係をインストールするか、好み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、フォーマットをチェックし、メタデータを抽出します。
アクション:
-
ユーザーからファイルパスまたはURLを受け付けます:
- 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)
- ローカルファイル:
-
ファイルの存在を確認:
if [[ ! -f "$AUDIO_FILE" ]]; then
echo "❌ ファイルが見つかりません: $AUDIO_FILE"
exit 1
fi
- ffprobeまたはファイルユーティリティを使用してメタデータを抽出:
# ファイルサイズを取得
FILE_SIZE=$(du -h "$AUDIO_FILE" | cut -f1)
# ffprobeで再生時間とフォーマットを取得
DURATION=$(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 "$DURATION" +%H:%M:%S 2>/dev/null || echo "不明")
- ファイルサイズをチェック(クラウドAPIには大きすぎる場合に警告):
SIZE_MB=$(du -m "$AUDIO_FILE" | cut -f1)
if [[ $SIZE_MB -gt 25 ]]; then
echo "⚠️ 大きなファイルです($FILE_SIZE)- 処理に数分かかる場合があります"
fi
- フォーマットを検証(サポート: MP3、WAV、M4A、OGG、FLAC、WEBM):
EXTENSION="${AUDIO_FILE##*.}"
SUPPORTED_FORMATS=("mp3" "wav" "m4a" "ogg" "flac" "webm" "mp4")
if [[ ! " ${SUPPORTED_FORMATS[@]} " =~ " ${EXTENSION,,} " ]]; then
echo "⚠️ サポートされていないフォーマットです: $EXTENSION"
if command -v ffmpeg &>/dev/null; then
echo "🔄 WAVに変換中..."
ffmpeg -i "$AUDIO_FILE" -ar 16000 "${AUDIO_FILE%.*}.wav" -y
AUDIO_FILE="${AUDIO_FILE%.*}.wav"
else
echo "❌ フォーマット変換にはffmpegをインストールしてください: 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、議事録、要約を含む構造化されたMarkdownを作成します。
出力テンプレート:
# 音声文字起こしレポート
## 📊 メタデータ
| フィールド | 値 |
|-------|-------|
| **ファイル名** | {filename} |
| **ファイルサイズ** | {file_size} |
| **再生時間** | {duration_hms} |
| **言語** | {language} ({language_code}) |
| **処理日** | {process_date} |
| **識別された話者数** | {num_speakers} |
| **文字起こしエンジン** | {engine} (モデル: {model}) |
## 📋 会議議事録
### 参加者
- {speaker_1}
- {speaker_2}
- ...
### 議論されたトピック
1. **{topic_1}** ({timestamp})
- {key_point_1}
- {key_point_2}
2. **{topic_2}** ({timestamp})
- {key_point_1}
### 決定事項
- ✅ {decision_1}
- ✅ {decision_2}
### アクションアイテム
- [ ] **{action_1}** - 担当: {speaker} - 期限: {date_if_mentioned}
- [ ] **{action_2}** - 担当: {speaker}
*音声文字起こしスキル v1.0.0 により生成*
*文字起こしエンジン: {engine} | 処理時間: {elapsed_time}秒*
実装:
インテリジェントな要約のためにAIモデル(Claude/GPT)とともにPythonまたはbashを使用します:
def generate_meeting_minutes(segments):
"""文字起こしからトピック、決定事項、アクションアイテムを抽出。"""
# セグメントをトピックごとにグループ化(タイムスタンプによる単純なクラスタリング)
topics = cluster_by_topic(segments)
# アクションアイテムを特定(キーワード: "すべき", "する予定", "する必要がある", "アクション")
action_items = extract_action_items(segments)
# 決定事項を特定(キーワード: "決定", "合意", "承認")
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(API経由のClaude/GPT、またはローカルモデル)。"""
full_text = " ".join([s["text"] for s in segments])
# Chain of Densityアプローチを使用(プロンプトエンジニアリングフレームワークより)
summary_prompt = f"""
以下の文字起こしを{max_paragraphs}段落の簡潔な段落に要約してください。
主要なトピック、決定事項、アクションアイテムに焦点を当ててください。
文字起こし:
{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
出力ファイルの命名:
# v1.1.0: 上書きを防ぐためにタイムスタンプを使用
TIMESTAMP=$(date +%Y%m%d-%H%M%S)
TRANSCRIPT_FILE="transcript-${TIMESTAMP}.md"
ATA_FILE="ata-${TIMESTAMP}.md"
echo "$TRANSCRIPT_CONTENT" > "$TRANSCRIPT_FILE"
echo "✅ 文字起こしを保存しました: $TRANSCRIPT_FILE"
if [[ -n "$ATA_CONTENT" ]]; then
echo "$ATA_CONTENT" > "$ATA_FILE"
echo "✅ 議事録を保存しました: $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した場合
ワークフロー:
-
**ユーザーのプロンプトを表示: **
📝 ユーザーから提供されたプロンプト: ┌──────────────────────────────────┐ │ [ユーザーのプロンプトプレビュー] │ └──────────────────────────────────┘ -
prompt-engineerで自動的に改善(利用可能な場合):
🔧 prompt-engineerでプロンプトを改善中... [呼び出し: gh copilot -p "このプロンプトを改善してください: {user_prompt}"] -
**両方のバージョンを表示: **
✨ 改善されたバージョン: ┌──────────────────────────────────┐ │ 役割: あなたはドキュメント作成者です... │ │ 指示: 変換してください... │ │ 手順: 1) ... 2) ... │ │ 最終目標: ... │ └──────────────────────────────────┘ 📝 元のバージョン: ┌──────────────────────────────────┐ │ [ユーザーの元のプロンプト] │ └──────────────────────────────────┘ -
どれを使用するか尋ねる:
💡 改善されたバージョンを使用しますか? [s/n] (デフォルト: s): -
**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: 元のバージョンを使用
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\n文字起こし:\n\n{transcript}"
with Progress(
SpinnerColumn(),
TextColumn("[progress.description]{task.description}"),
transient=True
) as progress:
progress.add_task(
description=f"🤖 {cli_tool}で処理中...",
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
進捗出力:
🤖 claudeで処理中... ⠋
[完了後:]
✅ 議事録が正常に生成されました!
最終出力
成功(両方のファイル):
💾 ファイルを保存中...
✅ 作成されたファイル:
- transcript-20260203-023045.md (生の文字起こし)
- ata-20260203-023045.md (LLMで処理)
🧹 一時ファイルを削除しました: metadata.json, transcription.json
✅ 完了! 合計時間: 3分45秒
文字起こしのみ(ユーザーがLLMを拒否した場合):
💾 ファイルを保存中...
✅ 作成されたファイル:
- transcript-20260203-023045.md
ℹ️ 議事録は生成されませんでした(LLM処理がユーザーによって拒否されました)
🧹 一時ファイルを削除しました: metadata.json, transcription.json
✅ 完了!
ステップ 5: 結果サマリーの表示
目的: 完了ステータスと次のステップを表示します。
出力:
echo ""
echo "✅ 文字起こし完了!"
echo ""
echo "📊 結果:"
echo " ファイル: $OUTPUT_FILE"
echo " 言語: $LANGUAGE"
echo " 再生時間: $DURATION_HMS"
echo " 話者数: $NUM_SPEAKERS"
echo " 単語数: $WORD_COUNT"
echo " 処理時間: ${ELAPSED_TIME}秒"
echo ""
echo "📝 生成物:"
echo " - $OUTPUT_FILE (Markdownレポート)"
[代替フォーマットの場合:]
echo " - ${OUTPUT_FILE%.*}.srt (字幕)"
echo " - ${OUTPUT_FILE%.*}.json (構造化データ)"
echo ""
echo "🎯 次のステップ:"
echo " 1. 議事録とアクションアイテムを確認する"
echo " 2. レポートを参加者と共有する"
echo " 3. アクションアイテムを完了まで追跡する"
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 を検出しました(最適化版)
✅ ffmpeg が利用可能です(フォーマット変換が有効)
📂 ファイル: meeting-2026-02-02.mp3
📊 サイズ: 12.3 MB
⏱️ 再生時間: 00:45:32
🎙️ 処理中...
[████████████████████] 100%
✅ 検出された言語: ポルトガル語 (pt-BR)
👥 識別された話者数: 4
📝 Markdown出力を生成中...
✅ 文字起こし完了!
📊 結果:
ファイル: meeting-2026-02-02.md
言語: pt-BR
再生時間: 00:45:32
話者数: 4
単語数: 6,842
処理時間: 127秒
📝 生成物:
- meeting-2026-02-02.md (Markdownレポート)
🎯 次のステップ:
1. 議事録とアクションアイテムを確認する
2. レポートを参加者と共有する
3. アクションアイテムを完了まで追跡する
例3: バッチ処理
ユーザー入力:
copilot> transcreva estes áudios: recordings/*.mp3
スキル出力:
📦 バッチモード: 5個のファイルが見つかりました
1. team-standup.mp3
2. client-call.mp3
3. brainstorm-session.mp3
4. product-demo.mp3
5. retrospective.mp3
🎙️ バッチ処理中...
[1/5] team-standup.mp3 ✅ (2分34秒)
[2/5] client-call.mp3 ✅ (15分12秒)
[3/5] brainstorm-session.mp3 ✅ (8分47秒)
[4/5] product-demo.mp3 ✅ (22分03秒)
[5/5] retrospective.mp3 ✅ (11分28秒)
✅ バッチ完了!
📝 5個のMarkdownレポートを生成しました
⏱️ 合計処理時間: 6分15秒
例5: 大きなファイルの警告
ユーザー入力:
copilot> transcribe audio to markdown: conference-keynote.mp3
スキル出力:
✅ Faster-Whisper を検出しました(最適化版)
📂 ファイル: conference-keynote.mp3
📊 サイズ: 87.2 MB
⏱️ 再生時間: 02:15:47
⚠️ 大きなファイルです(87.2 MB)- 処理に数分かかる場合があります
続行しますか? [Y/n]:
ユーザー: Y
🎙️ 処理中...(10〜15分かかる場合があります)
[████░░░░░░░░░░░░░░░░] 20% - 推定残り時間: 12分