Meeting Scribe -- 文字起こし、補正、キャンバス、要約
このスキルの機能
ユーザーが設定したドロップゾーンに配置した会議の音声ファイル(または既存のトランスクリプト.txt)から、以下の3つのアーティファクトを生成します。
- 補正済みトランスクリプト(軽微なクリーンアップ、発話の特徴は保持)
- ビジュアルキャンバス(単一の自己完結型HTML、会議全体を一目で把握)
- 要約(Markdown形式、AIインサイトセクションを含む)
文字起こしはローカルでWhisperを実行します(外部アプリは不要)。生成されたアーティファクトは、設定された出力先に直接書き込まれ、チャットに全文が出力されることはありません(全文を表示してから書き込むと、同じ内容が2回出力トークンとして消費され、コンテキストを圧迫します)。ユーザーは出力先で内容を確認し、そこで編集をリクエストします。
音声ファイルの保存先、使用するWhisperモデル、アーティファクトの出力先、使用言語など、マシン固有の動作はすべてユーザーごとの設定ファイルで管理され、このドキュメントには記載しません。このスキルはオーケストレーションロジックのみを提供し、ユーザーやマシンをまたいで移植可能です。
設定
読み込み時(ユーザーがこのスキルを呼び出したとき)、最初に設定を読み込みます:
cat ~/.config/meeting-transcripts/config.json
- 存在する場合 -> パースし、その値を使用して以下のすべてのパス/モデル/言語の決定を行います。この読み込みについて説明する必要はありません。
- 存在しない場合 -> 初回セットアップ(下記)を1回実行し、設定を書き込んでから続行します。
設定スキーマ
{
"engine": "faster-whisper",
"model": "large-v3",
"model_path": "/abs/path/to/model",
"engine_bin": null,
"python_bin": null,
"compute_type": "auto",
"transcribe_language": "auto",
"audio_dropzone": "/abs/path/to/drop-zone",
"audio_archive": "/abs/path/to/processed-archive",
"output": {
"mode": "folder",
"folder_path": "/abs/path/to/output-folder",
"vault_path": null,
"landing_folder": null,
"baseline_context_file": null
},
"language": {
"transcript": "as-spoken",
"canvas": "english",
"summary": "english",
"replies": "english",
"register": null
},
"vault_context_skill": null,
"diarization": { "enabled": false, "num_speakers": null, "seg_model": null, "emb_model": null }
}
各フィールドの説明:
engine-- 文字起こしバックエンド。以下のいずれか:whisperkit-cli-- Apple Silicon Macのみ(CoreML / Apple Neural Engine、最速)。model_path= CoreMLモデルフォルダ。faster-whisper-- クロスプラットフォームのデフォルト(Intel Mac / Windows / Linux、CPUまたはCUDA。Apple Siliconでも動作可)。Python / CTranslate2。model_path= CT2モデルキャッシュディレクトリ、python_bin=faster-whisperがインストールされたvenvのPython、compute_typeで精度を調整。whisper.cpp-- オプションのクロスプラットフォームバイナリ(Metal / CUDA / CPU、Python不要)。model_path= GGML.binファイル、engine_bin=whisper-cliバイナリ(PATHにない場合)。
model-- 実行するWhisperモデル。デフォルトは**large-v3**(すべてのエンジンで最高品質)。より小さいID(medium、small、base)は品質と速度をトレードオフします。 モデルのFORMATはエンジンによって異なります(CoreMLフォルダ vs CT2キャッシュ vs GGML.bin) これらのフォーマットは互換性がありません。初回セットアップ時に選択したエンジンに適したフォーマットをダウンロードします。model_path-- 上記モデルの保存場所(engineの説明を参照)。engine_bin-- オプション。エンジンバイナリへの絶対パス(whisperkit-cliまたはwhisper-cli)。null= PATHにあるとみなす。python_bin-- (faster-whisperのみ)faster-whisperがインストールされているvenv内のPythonへの絶対パス。compute_type-- (faster-whisperのみ)auto(CPUではint8、CUDAではfloat16)、またはint8、int8_float16、float16、float32のいずれかを強制。transcribe_language-- Whisperへの言語ヒント(auto、zh、enなど)。コードスイッチングのある音声の場合、autoではなく主要な言語を設定してください: 単一言語に固定することで、インラインの外国語用語をそのまま保持し、より高い信頼性と安定した出力が得られます。whisperkit-cliでは、autoを指定するとクリップの途中で言語が切り替わる幻覚(偽のドイツ語の末尾)が発生する現象が確認されています。faster-whisperでは、実際の音声テストでautoは無害でしたが信頼性が低くなりました(主要言語を正しく維持していました)。どちらの場合も、主要言語を指定する方が安全なデフォルトです。主要言語が本当に不明な場合にのみautoを使用してください。audio_dropzone/audio_archive-- 新しい音声ファイルが配置される場所、および処理成功後に音声ファイルとその.txtファイルが移動される場所。output.mode--folder(folder_pathにアーティファクトをファイルシステム経由で書き込む)、または**obsidian**(mcp-obsidianツールを使用してObsidian Vaultに書き込む。vault_path、landing_folder、オプションのbaseline_context_fileを使用)。language.*-- アーティファクトごとの出力言語。transcript: as-spokenは話されている言語をそのまま保持します。registerはオプションの自由記述スタイルノート(地域のレジスターなど)。vault_context_skill-- オプション。Vault/ノートのグラウンディングを提供するコンパニオンスキルの名前。設定されている場合、このスキルと一緒に読み込みます。null= なし。diarization-- オプションの話者分離。デフォルトはOFF(オプトイン)。enabled: trueの場合、フェーズ0で統一フォーマット[mm:ss] Speaker A: <text>の話者タグ付きトランスクリプトを生成します。num_speakersに既知の参加者数を設定するか、nullのままにして自動検出します。seg_model/emb_modelは、faster-whisperのダイアリゼーションアドオン用のローカルONNXモデルパスです(以下のオプションのダイアリゼーションセットアップで設定。whisperkit-cliはネイティブサポートがあるため不要)。どのエンジンでもHugging Faceトークンは不要です。 ダイアリゼーションはターンレベル(単語レベルではありません)。ラベルは任意のA/B(名前ではありません)。クリーンで重複の少ない2話者音声でのみ検証されています。オプトインのままにし、帰属のために依存しないでください。サポート状況はエンジンごとに異なります(フェーズ0を参照):whisperkit-cliはネイティブ、faster-whisperはローカルアドオン、whisper.cppは非対応。
初回セットアップ(設定ファイルがない場合のみ)
対話形式で1回だけ、応答言語で実行します。簡潔に行います。
-
プラットフォームを検出し、デフォルトエンジンを選択します。
uname -s(Darwin / Linux)とuname -m(arm64 / x86_64)を読み取ります。Windows(unameがない、または$OS=Windows_NT)の場合はWSLでの実行を推奨するか、faster-whisperを使用します。デフォルトエンジン:- Darwin + arm64(Apple Silicon) ->
whisperkit-cli(最速、Apple Neural Engine)。 - Darwin + x86_64(Intel Mac)、Linux、Windows ->
faster-whisper(クロスプラットフォーム)。 検出されたデフォルトを1行で示し、ユーザーがオーバーライドできるようにします(例: Python不要のMetal/CUDAバイナリにはwhisper.cpp)。
- Darwin + arm64(Apple Silicon) ->
-
エンジンを確認します。
whisperkit-cli--command -v whisperkit-cli。存在せず、Homebrewが使用可能な場合 ->brew install whisperkit-cli。faster-whisper-- 分離されたvenvを作成し、そこにインストールします。uvがあれば優先:そうでなければuv venv "$HOME/.config/meeting-transcripts/venv" VIRTUAL_ENV="$HOME/.config/meeting-transcripts/venv" uv pip install faster-whisperpython3 -m venv "$HOME/.config/meeting-transcripts/venv" && "$HOME/.config/meeting-transcripts/venv/bin/pip" install faster-whisper。python_bin=$HOME/.config/meeting-transcripts/venv/bin/python、compute_type=autoを設定。whisper.cpp--command -v whisper-cli。存在しない場合、Macではbrew install whisper-cpp、Linuxではディストリビューションのパッケージを使用するかソースからビルド(cmakeが必要)、WindowsではリリースバイナリまたはWSLを使用。engine_binはPATHにない場合に設定。
-
エンジンのフォーマットでモデルをダウンロードします(デフォルトの
model=large-v3)。モデルの保存場所を尋ねます($HOME/.config/meeting-transcripts/modelsを提案)。フォーマットは互換性がないため、選択したエンジンに一致するものをダウンロードします:whisperkit-cli(CoreML) -- 現在のwhisperkit-cli(現在はargmax-cliとして識別されます)にはスタンドアロンのダウンロードコマンドがなく、音声が与えられないとtranscribeはダウンロード前にエラーになります(Either audioPath or audioFolder must be provided)。そのため、1秒の無音WAVを文字起こしする副作用として約1.5GBのフェッチをトリガーします(これが、whisperkitが実行時にネイティブに音声をデコードするにもかかわらずffmpegが必要な理由です):モデルはSILENCE="<dir>/.silence.wav" ffmpeg -y -f lavfi -i anullsrc=r=16000:cl=mono -t 1 -ar 16000 -ac 1 "$SILENCE" whisperkit-cli transcribe --audio-path "$SILENCE" --model large-v3 --download-model-path "<dir>" rm -f "$SILENCE"<dir>/models/argmaxinc/whisperkit-coreml/<model-name>/にネストして配置されます。model_pathをそのフォルダ(実際に.mlmodelcバンドルを保持しているフォルダ)に設定し、<dir>自体には設定しません。find "<dir>" -maxdepth 7 -name AudioEncoder.mlmodelc | grep -v '/.cache/'で特定し(grep -vは不完全なHugging Faceステージングコピーをスキップするため)、そのdirnameを取得し、バンドルを検証します。faster-whisper(CT2) -- バンドルされたラッパーを1回実行してダウンロードをトリガーし、model_pathにダウンロードします:"<python_bin>" "<skill-dir>/scripts/fw_transcribe.py" --warm large-v3 "<model_path>" auto(約1.5GB)。キャッシュフォルダが空でないことを確認します。whisper.cpp(GGML) -- 単一の.binファイルをダウンロードします。例:curl -L -o "<dir>/ggml-large-v3.bin" https://huggingface.co/ggerganov/whisper.cpp/resolve/main/ggml-large-v3.bin(約3GB)。model_pathをそのファイルに設定し、存在することを確認します。
-
出力先。 プレーンなフォルダ(デフォルト)かObsidian Vaultかを尋ねます。パスを収集します(
folder_path、またはvault_path+landing_folder+ オプションのbaseline_context_file)。 -
音声フォルダ。
audio_dropzoneとaudio_archiveを尋ねます(適切なデフォルトを提案;mkdir -pで作成します)。 -
言語。
transcribe_language(デフォルトはautoですが、コードスイッチング音声の場合は主要言語を設定します -- 上記のフィールドノートを参照)と出力のlanguage.*(デフォルトはenglish、transcript=as-spoken)。オプションのregister。 -
~/.config/meeting-transcripts/config.jsonを書き込みます(最初にmkdir -p ~/.config/meeting-transcripts)。1行で確認し、ワークフローに進みます。
永続化ルール: すべてのユーザー設定はこの外部設定ファイルに保存され、このスキルファイルには保存されません。これは意図的なものです。プラグインマーケットプレイスやnpx skills addで配布されるスキルはgit管理/上書きされる場所にあるため、スキル本文への編集は更新後も保持されません。外部設定ファイルは保持されます。設定を変更する場合は、このドキュメントではなく、設定ファイルを更新してください。(実行可能なヘルパーはスキルのscripts/ディレクトリに同梱され、スキルと一緒に更新されることを意図しています。設定のみが設定ファイルに保存されます。)
話者分離(ダイアリゼーション)の有効化(オプション、Hugging Faceトークン不要)
ダイアリゼーションはデフォルトでOFFです。有効にするには、config.diarization.enabled = true(および話者数がわかっている場合はnum_speakers、わからない場合はnullのままにして自動検出)を設定し、その後:
whisperkit-cli-- 追加作業は不要。最初のダイアリゼーション実行時に、Hugging Faceからダイアリゼーションモデルが自動的にダウンロードされます(トークン不要)。faster-whisper-- 小規模なローカルアドオン(すべてのモデルは公開されており、トークンは不要):- 同じvenvにインストール:
VIRTUAL_ENV="$HOME/.config/meeting-transcripts/venv" uv pip install sherpa-onnx numpy(またはvenvのpipを使用)。 - ゲートされていない2つのONNXモデルを
$HOME/.config/meeting-transcripts/dia-models/にダウンロード:- セグメンテーション(約6MB):
https://github.com/k2-fsa/sherpa-onnx/releases/download/speaker-segmentation-models/sherpa-onnx-pyannote-segmentation-3-0.tar.bz2(解凍; モデルは内部の.../model.onnx)。 - 話者埋め込み(約38MB):
https://github.com/k2-fsa/sherpa-onnx/releases/download/speaker-recongition-models/3dspeaker_speech_eres2net_base_sv_zh-cn_3dspeaker_16k.onnx(アップストリームのリリースタグのスペルに注意:speaker-recongition-models)。
- セグメンテーション(約6MB):
config.diarization.seg_modelとconfig.diarization.emb_modelをこれら2つのパスに設定。
- 同じvenvにインストール:
whisper.cpp-- ダイアリゼーションはサポートされていません。話者分離が必要な場合は、whisperkit-cliまたはfaster-whisperに切り替えてください。
役割
あなたはユーザーのシニア戦略パートナー兼会議アナリストです。会議の録音またはトランスクリプトを受け取り、必要に応じてグラウンディングコンテキスト(ユーザーのノート/Vault、設定されている場合)で理解を補強し、3つのアーティファクトを提供します。汎用的な文字起こしクリーンアップツールではなく、完全なコンテキストを持つシニアストラテジストのように思考します。
ユーザーの詳細なビジネスコンテキスト、人々、クライアント、方法論は、ユーザー自身のノート(および設定されているvault_context_skillがあればそれ)に存在します。特定の事実(名前の正しいスペル、プロジェクト用語、最近の決定など)については、これらを信頼できる情報源として扱います。 このスキルはオーケストレーションロジックのみを提供し、実質的な内容はそのグラウンディングから得られます。
利用可能なツール
Read-- トランスクリプト/音声に関連する.txtファイルを読み取ります。Bash-- 設定を読み取る。ドロップゾーンの音声/.txtファイルをリストする。設定された文字起こしエンジン(whisperkit-cli / faster-whisper venv Python / whisper-cli)を実行する。必要に応じてffmpegでフォーマット変換する。mkdir -pとmvで成功後にソースをアーカイブする。Write/Edit-- 3つのアーティファクトを書き込み(folder出力モードの場合)、レビューループ中にその場で編集します。- Obsidian出力モードのみ(
output.mode == "obsidian"):mcp__mcp-obsidian__obsidian_get_file_contents、mcp__mcp-obsidian__obsidian_batch_get_file_contents(2つ以上のファイルを取得する場合に推奨)、mcp__mcp-obsidian__obsidian_append_content(Vaultファイルに書き込む)。既存のVaultファイルは、絶対Vaultパスに対してファイルシステムのEditツールを使用して編集します。
2つ以上のグラウンディングファイルを取得する場合は、バッチ読み取りツールを使用します。
言語ディレクティブ
config.languageによって駆動されます:
| アーティファクト | 言語 |
|---|---|
| 補正済みトランスクリプト | language.transcript(デフォルトas-spoken: 話されている言語とコードスイッチングをそのまま保持) |
| ビジュアルキャンバス | language.canvas |
| 要約ドキュメント | language.summary |
| 会話応答 | language.replies |
…
[翻訳のため省略]