動画文字起こし
このリポジトリのパイプラインをヘッドレスで実行します:プラットフォームの字幕が利用可能な場合はそれを秒単位で取得し、フォールバックとしてローカルのWhisperを使用し、最適化→翻訳→要約を実行します。
実行前の確認
コマンドはAI Video Transcriberリポジトリのルートから実行する必要があり、プロジェクトの仮想環境とffmpegが必要です。セッションごとに一度確認してください:
ls venv/bin/python && command -v ffmpeg
- 仮想環境がない場合:
./install.shを実行するか、python3 -m venv venv && venv/bin/pip install -r requirements.txtを実行してください。 - ffmpegがない場合:まずインストールしてください(macOSでは
brew install ffmpeg、Debian/Ubuntuではsudo apt install ffmpeg)。ffmpegがないと音声抽出に失敗するため、インストールせずに進めないでください。
実行方法
venv/bin/python transcribe.py "<URLまたはファイルパス>" --json
常に--jsonを指定してください:機械可読な出力がstdoutに、進行状況のメッセージがstderrに出力されます。ログ行をスクレイピングする代わりにJSONをパースしてください。
便利なフラグ:
| フラグ | 使用タイミング |
|---|---|
-l, --summary-language <コード> | 要約の言語:en、zh、es、fr、de、it、pt、ru、ja、ko、ar。デフォルトはen |
--no-llm | APIキーが利用できない場合、またはユーザーが生の文字起こしのみを必要とする場合。最適化/翻訳/要約をスキップします |
--no-video | ユーザーが元の動画を保持する必要がない場合 |
--whisper-model small | 速度よりも精度が重要な場合。tinyからlargeまで、デフォルトはbase |
-o <dir> | Markdownを./temp以外の場所に書き出す場合 |
LLMステップには、OPENAI_API_KEYを介したOpenAI互換のキーと、オプションでOPENAI_BASE_URLが必要です。これがない場合でもパイプラインは文字起こしを行いますが、基本的なフォーマットにフォールバックします。ユーザーが文字起こしのみを必要とする場合は、--no-llmを使用することを推奨します。
プロバイダー設定:
export OPENAI_API_KEY="your_api_key_here"
export OPENAI_BASE_URL="https://openrouter.ai/api/v1"
export OPENAI_TRANSLATION_MODEL="gpt-4o" # オプション
1回限りの実行では、transcribe.pyは--api-key、--base-url、--modelも受け付けます。APIキーがシェル履歴に残らないよう、可能な限り環境変数を使用することを推奨します。
結果の読み方
{
"title": "...",
"no_speech": false,
"detected_language": "en",
"files": { "raw": "...", "transcript": "...", "summary": "...", "translation": "..." },
"media": { "path": "...", "kind": "video", "size_bytes": 2243691 }
}
transcriptとsummaryのパスを読み取ってコンテンツを取得してください。translationは、ソース言語と要約言語が異なる場合にのみ存在します。
重要:no_speech
"no_speech": trueの場合、ソースに音声が含まれていません。文字起こし、要約、翻訳はありません。パイプラインは意図的にLLMをスキップし、内容が捏造されるのを防ぎます。
これが表示された場合、ユーザーに動画に音声がないことを伝えてください。内容を推測したり、タイトルから推測したり、動画が何を言っているかを説明したりしないでください。
エラーモード
- 終了コード
2:不正な入力(ファイルが見つからない、サポートされていない拡張子、空のテキストファイルなど)。メッセージを報告し、引数を修正してください。 - 終了コード
1:ダウンロード/トランスコードの失敗。通常は到達不能なURL、地域制限/プライベート動画、またはffmpegの欠落が原因です。実際のエラーを報告してください。 - 初回実行時はWhisperの重みをダウンロードするため、1分間停止しているように見えることがあります。
- Whisperモードでは長い動画の処理が遅くなります。プラットフォームの字幕が利用できない場合は、開始前にユーザーに警告してください。