transcribe は何をしますか?
OpenAIのWhisperモデルを使用して音声ファイルをテキストに書き起こし、必要に応じて話者識別(ダイアリゼーション)や既知の話者ヒントを追加します。ユーザーが音声や動画から音声を書き起こしたい、録音からテキストを抽出したい、インタビューやミーティングで話者をラベル付けしたい場合に使用します。
使用方法
このスキルは、以下のようにして呼び出します。
openai/transcribe <音声ファイルのパス>
オプション
--diarize: 話者識別を有効にします。複数の話者がいる場合に、誰が話したかを特定します。--speaker-hints <話者名1>,<話者名2>,...: 既知の話者の名前をカンマ区切りで指定します。識別精度が向上します。--language <言語コード>: 音声の言語を指定します(例: ja, en)。自動検出もサポートしています。--output-format <フォーマット>: 出力形式を指定します(txt, srt, vtt, json)。デフォルトはtxtです。--model <モデル名>: 使用するWhisperモデルを指定します(tiny, base, small, medium, large)。デフォルトはmediumです。
使用例
基本的な文字起こし
openai/transcribe meeting_audio.mp3
話者識別を有効にして文字起こし
openai/transcribe --diarize interview.mp4
既知の話者を指定して文字起こし
openai/transcribe --diarize --speaker-hints "田中太郎","佐藤花子" podcast.wav
言語を指定して出力形式をSRTに指定
openai/transcribe --language ja --output-format srt lecture.m4a
サポートされているファイル形式
- 音声: MP3, WAV, OGG, FLAC, M4A, AAC, WMA
- 動画: MP4, AVI, MOV, MKV, WebM
注意事項
- 大きなファイル(25MB以上)は自動的に分割されて処理されます。
- 話者識別は音声の品質と話者の数によって精度が変わる場合があります。
- 既知の話者ヒントは、実際の話者名と一致しない場合、識別精度に悪影響を与える可能性があります。
- APIキーの使用量に応じて課金が発生する場合があります。