Lokalna transkrypcja filmów w Claude Code z TranscribeX CLI

W Claude Code mam własny skill /transcribe. Wklejam link do filmu albo ścieżkę do pliku audio i po chwili mam transkrypt w notatkach. Tekst robi lokalnie TranscribeX, a nie płatne API w chmurze.

Poniżej opisuję, jak działa skill, jak używam TranscribeX z linii komend i dlaczego przestałem brać auto-napisy z YouTube.

Skąd zmiana

Wcześniej skill wysyłał audio do modelu MAI-Transcribe 2 przez OpenRouter. W moim teście dawał najmniej błędów i kosztował około 0,10 USD za godzinę nagrania. Działało, ale każde nagranie lądowało w chmurze, a klucz API musiał leżeć w Keychain.

TranscribeX miałem już w SetApp. Okazało się, że w środku aplikacji siedzi CLI, więc Claude Code może z niego korzystać tak samo jak z każdej innej komendy.

TranscribeX: aplikacja i CLI

Aplikacja na Maca (wersja 10.6, wymaga macOS 14.6) transkrybuje pliki audio i wideo, nagrywa spotkania z Zooma czy Google Meet i rozpoznaje mówców. Według opisu w SetApp działa z modelami Whisper, Parakeet i Apple. Transkrypcja odbywa się na Macu, bez wysyłania nagrania.

CLI to plik transcribex w pakiecie aplikacji. U mnie wywołuję go krótko jako tx:

tx models

tx models pokazuje u mnie dwa modele:

  • FluidAudio_v3 (Parakeet V3, 494 MB): ponad 25 języków europejskich, w tym polski, z automatycznym wykrywaniem języka
  • apple_on_device: wbudowane rozpoznawanie mowy macOS. Na liście języków nie ma polskiego, więc go nie używam

Transkrypcja jedną komendą

tx transcribe nagranie.m4a --model FluidAudio_v3 \
  --export-format json --export-file tx.json
jq -r '.[].text' tx.json

Na wyjściu standardowym tx wypisuje JSON z job_id i statusem completed. Sam tekst ląduje w pliku z --export-file.

Wybrałem eksport json, bo eksport text dokleja na początku nagłówek z tytułem, datą i długością nagrania. W skrypcie musiałbym go wycinać. JSON to czysta tablica segmentów:

[{"id": 1, "text": "Dzień dobry, to jest test lokalnej transkrypcji po polsku."}]

Pierwsze wywołanie trwało u mnie około 30 sekund dłużej, bo tx ładował model. Kolejne startowały od razu.

Co robi skill transcribe

Skill to plik SKILL.md z instrukcją dla Claude Code i krótki skrypt w Pythonie. Po /transcribe <link albo plik> skrypt robi kolejno:

  1. Dla linku pobiera samo audio przez yt-dlp -x --audio-format m4a. Lokalny plik idzie dalej bez konwersji
  2. Mierzy długość nagrania przez ffprobe, bo eksport JSON z tx jej nie zawiera
  3. Uruchamia tx transcribe i skleja tekst z segmentów
  4. Zapisuje plik Markdown z frontmatterem: tytuł, źródło, model i długość w minutach
  5. Kopiuje tekst do schowka

Potem Claude przekazuje transkrypt do drugiego skilla, który robi z niego notatkę i podlinkowuje ją w mojej bazie wiedzy.

Auto-napisy z YouTube czy TranscribeX

Do niedawna skill najpierw szukał auto-napisów na YouTube, a do modelu szedł tylko wtedy, gdy ich nie było. Porównałem obie drogi na tym samym filmie, który trwa 7,7 minuty:

  • auto-napisy: 9,8 s, ale bez interpunkcji i wielkich liter, za to z każdym „uh”
  • TranscribeX: 21,5 s, ta sama treść, z przecinkami, kropkami i poprawnie zapisanymi nazwami

Napisy z YouTube to też transkrypcja maszynowa, tylko gorsza. Dlatego skill zawsze używa teraz tx. Godzinny film to kilka minut czekania, ale tekst od razu nadaje się do czytania.

Pułapki

  • Transkrypcje z CLI nie trafiają domyślnie do biblioteki aplikacji. Jeśli chcesz je potem przeszukiwać przez tx search, dodaj --should-persist-job true
  • Rzadkie nazwy własne model zapisuje fonetycznie. Ważne nazwy poprawiam ręcznie
  • Ścieżka do CLI zależy od tego, skąd masz aplikację. U mnie to wersja z SetApp

Masz własny sposób na transkrypcję filmów z AI? Daj znać w komentarzu 👋

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Wymagane pola są oznaczone *