---

name: audio-transcribe description: "Whisper CLIで音声ファイルを文字起こし。MP3/WAV/M4Aなどに対応。「音声文字起こし」「whisper」「transcribe」などの作業に使う。"

audio-transcribe

Whisper CLIで音声ファイルを文字起こしするスキル。MP3/WAV/M4Aなどに対応。

概要

• ツール: OpenAI Whisper CLI
• 実行: ローカル（APIキー不要）
• 対応形式: MP3, WAV, M4A, FLAC, etc.
• 言語: 日本語含む多言語対応

インストール確認

which whisper
# /opt/homebrew/bin/whisper

未インストールの場合:

pip install openai-whisper

使い方

基本（自動言語検出）

whisper audio.mp3

日本語指定

whisper audio.mp3 --model base --language ja

テキストのみ出力

whisper audio.mp3 --model base --language ja --output_format txt

タイムスタンプ付き

whisper audio.mp3 --model base --language ja --output_format srt

モデル選択

モデル	サイズ	速度	精度
tiny	39MB	最速	低
base	74MB	速い	中
small	244MB	中	高
medium	769MB	遅い	より高
large	1.5GB	最遅	最高

推奨: base または small（日本語ならbaseで十分）

出力形式

形式	説明
txt	テキストのみ
srt	字幕形式（タイムスタンプ付き）
vtt	WebVTT字幕形式
json	JSON形式

使用例: TTS品質確認

生成したTTS音声が正しく読み上げられているか確認:

whisper narration.mp3 --model base --language ja --output_format txt
cat narration.txt

⚠️ よくある落とし穴

• 初回実行時のモデルダウンロード待ち: 初回は指定モデルの自動ダウンロードが走るため、数分〜十数分かかる。タイムアウト設定に注意
• GPU なし環境での警告: CPU のみの環境（Apple Silicon 含む）では FP16 関連の警告が出るが、動作自体は正常。無視してよい
• 漢字の変換ミスを Whisper のバグと勘違いする: 音声認識の精度限界であり、特に固有名詞や専門用語は誤変換されやすい。出力後のテキスト確認・修正は必須
• large モデルを安易に選ぶ: Apple Silicon 16GB 環境で large モデルを使うと 1 枚あたり 5 分以上かかることがある。日本語なら base で十分な精度が出る

参考

• OpenAI Whisper GitHub
• 関連記事: https://ai.essential-navigator.com/news/claude-code-mp3-audio-transcription-guide