使用タイミング
以下の場合にこのスキルを使用してください：
- 音声または動画ファイルからSRT字幕を生成する（オフライン、API不要）
- メディアファイル内の音声言語を自動検出する
- 提供された原口播文本（original script）を使用してWhisperの文字起こし誤りを修正する
- 複数のメディアファイルを一括処理して字幕を生成する
以下の場合は使用しないでください：
- リアルタイム/ライブ文字起こし（faster-whisperはオフライン・バッチ処理のみ）
- SRT以外の出力形式（SRTのみサポート）
- クラウドベースの文字起こし（ローカルのみ）
手順
- 依存関係をインストール：
pip install faster-whisper。OSに合わせてffmpegをインストール：- macOS：
brew install ffmpeg - Linux：
sudo apt install ffmpeg（Debian/Ubuntu）またはsudo dnf install ffmpeg（Fedora） - Windows：
choco install ffmpeg（Chocolatey）またはscoop install ffmpeg（Scoop）、または https://ffmpeg.org からダウンロード
- macOS：
- easy-subtitle パッケージがインストールされていることを確認：プロジェクトルートで
pip install -e . - 基本の文字起こし：
easy-subtitle -i video.mp4を実行すると、自動検出された言語でvideo.srtが生成されます。 - 言語を指定：言語がわかっている場合は
easy-subtitle -i audio.wav -l zhを実行（自動検出より高速で正確）。 - 原稿で補正：
easy-subtitle -i video.mp4 --original-text script.txtを実行すると、提供された原稿を使って文字起こしをアライメント・補正します。 - モデルサイズ調整：高速化には
-m small、精度重視には-m large-v3を使用。デフォルトはmedium。 - VAD調整：
--vad-min-silence 1000でより積極的に無音区間で分割（静かなコンテンツ向け）。--no-vadでVADを無効化。
落とし穴
- 初回実行時にモデルをダウンロードします（mediumで約1.5GB）— 余分な時間とディスク容量を確保してください。
- Whisperの自動言語検出は短いクリップ（5秒未満）では信頼性が低い場合があります —
-lで手動指定してください。 - 原稿テキストによるアライメントは、原稿が音声と完全に一致する場合に最も効果的です。アドリブ、ポーズ、即興部分はWhisperの出力のまま残ります。
- faster-whisperはデフォルトでCPU上でINT8量子化を使用します — これは高速ですが、GPU上のFP16よりわずかに精度が低下します。
- ffmpegは別途インストールする必要があります（Pythonパッケージではありません）。
- macOS：
brew install ffmpeg - Linux：
sudo apt install ffmpeg - Windows：
choco install ffmpegまたは https://ffmpeg.org からダウンロード
- macOS：
検証
easy-subtitle --versionを実行してインストールを確認します。- 基本の文字起こしをテスト：
easy-subtitle -i test_audio.mp3 -m tinyで .srt ファイルが素早く生成されることを確認。 - SRT出力を確認：動画プレーヤーで開くか、
HH:MM:SS,mmm --> HH:MM:SS,mmmのタイムスタンプを持つ番号付きブロックが含まれていることを確認。 - 原稿テキストアライメントをテスト：音声に一致する原稿を提供 — 出力にWhisperの文字起こしではなく、正確な原稿テキストが含まれていることを確認。