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 językaapple_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:
- Dla linku pobiera samo audio przez
yt-dlp -x --audio-format m4a. Lokalny plik idzie dalej bez konwersji - Mierzy długość nagrania przez
ffprobe, bo eksport JSON ztxjej nie zawiera - Uruchamia
tx transcribei skleja tekst z segmentów - Zapisuje plik Markdown z frontmatterem: tytuł, źródło, model i długość w minutach
- 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 👋