Xs Transcriber

音声文字起こし

音声ファイルをテキストに変換する。

絶対遵守事項

• 長時間処理（10分以上の音声）はPID・ログ・終了コードを保存し、親process groupから分離して実行

対話フロー

Step 1: ファイル指定

「文字起こしする音声ファイルのパスを指定してください」

対応形式: mp3, wav, m4a, ogg, flac

Step 2: モデル選択

「文字起こしモデルを選択してください」

| # | モデル | 速度 | 精度 | 用途 |

|---|--------|------|------|------|

| 1 | tiny | 最高速 | 最低 | テスト用 |

| 2 | base | 高速 | 標準 | 推奨 |

| 3 | small | 中速 | 中精度 | バランス |

| 4 | medium | 低速 | 高精度 | 高品質 |

| 5 | large | 最低速 | 最高 | 最高品質 |

Step 3: 実行

出力先は音声ファイルと同じディレクトリに .txt 拡張子で保存。

# 短い音声（10分以下）はフォアグラウンド
uvx transcriber_tool transcribe "[音声ファイルパス]" --model-size [モデル] --output "[出力パス].txt"

# 長い音声（10分以上）はバックグラウンド
# 以下はLinux / WSLの例。macOSではlaunchdなどservice managerを使う
TRANSCRIPTION_STATE_DIR="$(mktemp -d)"
setsid bash -lc '
  state_dir="$1"
  input="$2"
  model="$3"
  output="$4"
  echo $$ > "$state_dir/pid"
  uvx transcriber_tool transcribe "$input" --model-size "$model" --output "$output" > "$state_dir/transcription.log" 2>&1
  rc=$?
  echo "$rc" > "$state_dir/exit"
  exit "$rc"
' bash "$TRANSCRIPTION_STATE_DIR" "[音声ファイルパス]" "[モデル]" "[出力パス].txt" >/dev/null 2>&1 &

sleep 2
ps -o pid,ppid,sid,pgid,stat,etime,cmd -p "$(cat "$TRANSCRIPTION_STATE_DIR/pid")"
echo "State: $TRANSCRIPTION_STATE_DIR"

Step 4: 進行状況確認（バックグラウンド実行時）

# ログ確認
tail -f "$TRANSCRIPTION_STATE_DIR/transcription.log"

# 完了確認
cat "$TRANSCRIPTION_STATE_DIR/exit"

xangiでturnを跨ぐ場合は、処理の末尾で終了状態を保存した後に xangi-cmd trigger を呼ぶ。triggerを設定できない環境では、ログ・終了状態の確認をユーザーへ明示的に引き継ぎ、自動で戻ると約束しない。

Step 5: 完了報告

文字起こし完了後、以下を報告:

• 出力ファイルパス
• 文字数（概算）
• 処理時間

処理時間目安

| 音声長 | tiny | base | medium | large |

|--------|------|------|--------|-------|

| 10分 | 30秒 | 1分 | 2-3分 | 5分 |

| 30分 | 1-2分 | 2-3分 | 5-8分 | 10-15分 |

| 60分 | 2-3分 | 4-6分 | 10-15分 | 20-30分 |

トラブルシューティング

• transcriber_tool未インストール: 初回実行時に自動インストールされる
• タイムアウト: setsid で分離し、PID・ログ・終了コードを保存する
• メモリ不足: より小さいモデル（tiny/base）を使用
• 日本語の精度が低い: モデルを large にする