URL Transcript

リンク先から transcript を得る。公式字幕や埋め込み transcript を最優先し、取れない場合だけメディア音声を取得してローカル Voxtral で文字起こしする。

原則

• Whisper は、ユーザーが明示的に指定した場合以外は使わない。
• 「原文 transcript」は翻訳しない。音声または公式 transcript の言語を保ち、Voxtral に language を固定しない。
• 字幕や transcript が取れる場合は、ASR より公式テキストを優先する。
• 登録フォーム、ログイン、支払い、同意ボタンは勝手に送信しない。
• 署名付き URL は期限切れになりやすい。取得したらすぐ保存する。
• 最終成果物には、取得方法、使った入力、失敗した経路、ASR の誤認識リスクを短く残す。

保存先

作業ファイルは work/ に置く。ユーザーに渡す成果物は outputs/ に置く。

標準の成果物:

• outputs/<slug>-transcript.txt
• outputs/<slug>-transcript-timestamped.txt
• 必要に応じて outputs/<slug>-understanding.md

Workflow

1. ページと埋め込みデータを調べる

まずリンク先 HTML や player config を保存し、transcript、caption、subtitle、m3u8、vtt、srt、json、docx を探す。

curl -L "<URL>" -o work/page.html

rg -n "transcript|caption|subtitle|\\.vtt|\\.srt|\\.m3u8|window\\.|uberdata" work/page.html

URL を作り出さない。HTML、network playlist、player config、yt-dlp 出力など、確認済みの URL だけを使う。

2. yt-dlp で字幕を試す

ページ URL または HLS master URL に対して字幕一覧を確認する。

yt-dlp --list-subs "<URL>"

字幕が見える場合は、まず字幕だけ保存する。

yt-dlp --skip-download --write-subs --sub-langs all --sub-format vtt -o "work/%(title)s.%(ext)s" "<URL>"

失敗した場合はエラー本文を見る。403、AccessDenied、Request has expired は署名切れとして扱う。

3. 期限切れ署名 URL を扱う

HLS subtitle playlist の中に期限切れの S3 や CloudFront URL がある場合:

1. caption/*.m3u8 や master playlist を再取得する。
2. ユーザーが該当 Chrome タブを開いている場合だけ、既存タブを reload してから再取得を試す。
3. 署名が更新されない場合は、字幕経路を諦めて音声 ASR に進む。

Chrome 操作では既存のログイン済みプロフィールか確認する。登録フォームに架空情報を入れない。

4. メディアを取得する

字幕が取れない場合は、yt-dlp -F で format を確認し、音声を含む軽い format を保存する。

yt-dlp -F "<URL_OR_M3U8>"

yt-dlp -f worst -o "work/<slug>.%(ext)s" "<URL_OR_M3U8>"

音声が別 format の場合は、音声 format を優先する。

5. Voxtral 用 WAV に変換する

Voxtral fallback は 16 kHz、mono、PCM16 WAV にする。

ffmpeg -y -i "work/<slug>.mp4" -vn -ac 1 -ar 16000 "work/<slug>-16k.wav"

ffprobe -hide_banner -show_streams "work/<slug>-16k.wav"

6. ローカル Voxtral で文字起こしする

NiceVoice の VoxMLX server が起動している場合は、その server を使う。

pgrep -fl "voxmlx.server"

lsof -Pan -p <PID> -iTCP -sTCP:LISTEN

ws://127.0.0.1:<PORT>/v1/realtime を endpoint にして、バンドル script を実行する。

uv run --project /Users/username/ghq/github.com/schroneko/nicevoice-app/Server python <skill-dir>/scripts/voxtral-transcribe-segmented.py "work/<slug>-16k.wav" "outputs/<slug>-transcript.txt" --timestamped-output "outputs/<slug>-transcript-timestamped.txt" --endpoint "ws://127.0.0.1:<PORT>/v1/realtime" --segment-seconds 20 --language-mode none

--language-mode none が原文優先の標準。ユーザーが明示した場合だけ ja、en、auto-ja-en を使う。

7. 検証して報告する

先頭数行、行数、ファイルサイズを確認する。

sed -n '1,8p' "outputs/<slug>-transcript.txt"

wc -l "outputs/<slug>-transcript.txt" "outputs/<slug>-transcript-timestamped.txt"

報告には以下を含める:

• 公式字幕を取得できたか、ASR になったか
• yt-dlp で字幕が取れなかった理由
• Voxtral を使った場合は、言語固定の有無
• transcript と timestamped transcript のリンク
• ASR の固有名詞、句読点、英語サービス名の誤認識リスク