Transcribe Video(動画文字起こし)
バンドルされたwhisper.cppサービスを使用して、動画/音声ファイルをローカルで文字起こしします。外部プロジェクトやクラウドAPIは不要です。同期オーバーレイ/キャプションに必要な単語レベルのタイムスタンプを返します。
使用するタイミング
- 「このクリップ/動画/音声を文字起こしして」「タイムスタンプ付きの文字起こしを取得」
/produce-videoのサブステップとして
実行方法
すべてはバンドルされたランナーによって処理されます。ユーザーにDockerの管理を依頼しないでください:
node scripts/transcribe.mjs <動画または音声ファイルへのパス> [--out <ディレクトリ>] [--port 9111] [--language en] [--no-word-ts] [--task transcribe|translate]
node scripts/transcribe.mjs --stop # ウォームコンテナを停止
ランナーは以下の処理を行います:
- Dockerデーモンが利用可能かを確認(不可の場合はガイダンスとともにエラーメッセージを表示)。
assets/whisper-service/からtranscribe-video-whisperイメージが存在しない場合にビルド(初回ビルドは遅い:whisper.cppをコンパイルし、ggml-base.en.binモデルを組み込みます)。transcribe-video-whisperコンテナを起動(ホストポート9111 → コンテナ9001);すでに実行中の場合は再利用、停止中の場合はdocker startで起動。GET /healthzがOKを返すのを待機。- ローカルの ffmpeg を使用して入力から16kHzモノラルWAVを抽出し(whisper.cppはWAVのみデコード可能)、
word_ts=trueを付けて/transcribeにPOST。 transcript.txt、transcript.srt、transcript.words.jsonを--out(デフォルト:入力ファイルのディレクトリ)に書き込み、JSON結果行をstdoutに出力。
出力
transcript.txt— プレーンテキスト。transcript.srt— 字幕テキスト。transcript.words.json—[{ "word", "start", "end" }]、秒単位、時系列順。オーバーレイ/キャプションの同期ソース。
stdout結果行(/produce-video などのプログラム呼び出し用):
{ "ok": true, "outDir": "...", "wordCount": 38, "segmentCount": 2, "files": { "txt": "transcript.txt", "srt": "transcript.srt", "words": "transcript.words.json" } }
要件
- Dockerが必要です — Whisperサービスはコンテナ内で実行されるため、Docker Desktopがインストールされ、実行されている必要があります。ランナーは最初にこれを確認し、Dockerがない場合やデーモンが停止している場合は、インストール/起動のガイダンスとともにエラーメッセージを表示します。Dockerなしのフォールバックはありません。
- ffmpegが必要です(Whisper用に16kHzモノラルWAVを抽出するために使用) — ランナーは事前にこれを確認し、PATHにない場合はエラーメッセージを表示します。
- Node.js 22以上。
注意事項
- コンテナはウォーム再利用のために起動したままにされます(
--restart unless-stopped)。--stopで停止します。 - 単語タイムスタンプが要求されたが返ってこない場合、ランナーはエラーメッセージを表示します(オーバーレイ同期がこれに依存するため)。
- Dockerのライフサイクル、APIの形状、ベンダリングの出典については
references/を参照してください。