video-transcribe

taiyousan15's avatarfrom taiyousan15

動画・音声の文字起こし。ローカルWhisper（無料）とOpenAI API（高速）の2モード対応。

⭐0stars🔀0forks📁View on GitHub🕐Updated Jan 4, 2026
[Document Processing]

When & Why to Use This Skill

This Claude skill provides a powerful solution for transcribing video and audio files into text using OpenAI's Whisper technology. It features a dual-mode system: a free local mode for privacy-conscious users with GPU support, and a high-speed API mode for rapid processing. By supporting multiple output formats like SRT, VTT, and JSON, it enables users to seamlessly convert multimedia content into structured, searchable, and accessible text documents.

Use Cases

  • Meeting Productivity: Automatically transcribe recorded business meetings, interviews, and webinars to generate accurate minutes and action items.
  • Subtitle Generation: Create professional SRT or VTT subtitle files for video content to improve accessibility and boost SEO on social media platforms.
  • Content Repurposing: Convert podcasts and video lectures into blog posts, articles, or study guides by extracting the full text transcript.
  • Research & Archiving: Transform large volumes of audio data from field research or historical archives into searchable text for efficient data analysis.
namevideo-transcribe
description動画・音声の文字起こし。ローカルWhisper（無料）とOpenAI API（高速）の2モード対応。

Video Transcribe Skill

Whisperを使用した動画・音声の文字起こしスキル。

When to Use

  • 動画コンテンツの文字起こし
  • 字幕ファイル（SRT）生成
  • 議事録・インタビュー書き起こし
  • ポッドキャスト・講義のテキスト化

Modes

1. ローカルモード（無料）

OpenAI Whisperをローカル実行。GPU推奨。

モデル 精度 10分の処理時間 VRAM
tiny 低 約1分 1 GB
base 中 約2分 1 GB
small 中高 約3分 2 GB
medium 高 約5分 5 GB
large-v3 最高 約10分 10 GB

2. APIモード（有料・高速）

OpenAI Whisper APIを使用。高速・高精度。

料金 処理時間 精度
$0.006/分（約0.9円/分） リアルタイム以下 最高

Usage

ローカルモード

# 基本（mediumモデル）
make transcribe FILE=local-files/videos/MainVideo.mp4

# モデル指定
make transcribe FILE=local-files/videos/MainVideo.mp4 MODEL=large-v3

# 音声ファイル
make transcribe FILE=local-files/videos/audio.mp3

APIモード

# OpenAI API使用（要: OPENAI_API_KEY）
make transcribe-api FILE=local-files/videos/MainVideo.mp4

# URLから直接（ダウンロード＋文字起こし）
make transcribe-url URL="https://www.youtube.com/watch?v=xxxxx"
make transcribe-url-api URL="https://www.youtube.com/watch?v=xxxxx"

出力フォーマット指定

# SRT（字幕）
make transcribe FILE=... FORMAT=srt

# テキスト
make transcribe FILE=... FORMAT=txt

# JSON（タイムスタンプ付き）
make transcribe FILE=... FORMAT=json

# VTT（Web字幕）
make transcribe FILE=... FORMAT=vtt

Output

local-files/transcripts/
├── [ファイル名].srt    # 字幕ファイル
├── [ファイル名].txt    # プレーンテキスト
├── [ファイル名].json   # タイムスタンプ付きJSON
└── [ファイル名].vtt    # WebVTT字幕

Configuration

環境変数 (.env)

# OpenAI API（APIモード用）
OPENAI_API_KEY=sk-xxxxx

# デフォルト設定
WHISPER_MODEL=small           # tiny/base/small/medium/large-v3（CPUはsmall推奨）
WHISPER_LANGUAGE=ja           # 言語コード
WHISPER_OUTPUT_FORMAT=srt     # srt/txt/json/vtt
WHISPER_OUTPUT_DIR=local-files/transcripts

# ローカルモード設定
WHISPER_DEVICE=cuda           # cuda/cpu
WHISPER_COMPUTE_TYPE=float16  # float16/int8

Comparison

項目 ローカル API
料金 無料 約0.9円/分
速度 遅い（5-10分/10分動画） 速い（数秒/10分動画）
精度 高（large-v3） 最高
GPU 推奨（VRAM 5GB+） 不要
オフライン 可能 不可
プライバシー ローカル処理 クラウド送信

Supported Formats

入力

  • 動画: MP4, WebM, MKV, AVI, MOV
  • 音声: MP3, WAV, M4A, FLAC, OGG

出力

  • SRT: 標準字幕フォーマット
  • VTT: Web用字幕
  • TXT: プレーンテキスト
  • JSON: タイムスタンプ付き

Troubleshooting

問題 解決策
CUDA out of memory 小さいモデル使用 or WHISPER_DEVICE=cpu
CPU版でクラッシュ small以下のモデルを使用（medium以上はメモリ不足の可能性）
文字起こし精度低い MODEL=large-v3 を使用（要GPU）
API エラー OPENAI_API_KEY 確認
処理が遅い GPU使用 or APIモード推奨
  • video-download - 動画ダウンロード
  • video-production - 動画編集
  • japanese-tts-reading - テキスト読み上げ