取材音声を Whisper で起こす

1. API キーを用意する

OpenAI のプラットフォームでアカウントを作り、API キーを発行する。支払い方法を登録しないと呼び出せない。キーは人に見せず、コードに直書きしない。

2. 音声ファイルを整える

取材の録音を音声ファイル（mp3・m4a・wav など）にする。ひとつのファイルの大きさに上限があるので、長い取材は音声編集ソフトや ffmpeg で分割しておく。

3. API に投げる

公式のサンプルコード（Python か Node.js）を使い、ファイルを指定して文字起こしのエンドポイントを呼ぶ。言語を日本語に指定すると誤認識が減る場合がある。出力形式は文章のほか、タイムスタンプ付きの SRT も選べる。

4. 結果をつなげる

分割したファイルの結果を順につなげて、ひとつのテキストにする。話者分離は内蔵されていないので、必要なら聞きながら話者名を入れるか、話者分離に対応した別サービスを併用する。

5. 整文する

起こした文章には言い直しやフィラーが残る。AI ツールに渡して「意味を変えずに読みやすく」と指示すると整う。整文の道具は AI ツールのサイトへ。

注意

• API に送った音声は、既定では学習に使われないという記載がある。取材相手との約束がある場合は規約を読んでおく
• コードを書きたくない場合は、Whisper を内蔵した文字起こしアプリやローカルで動く版もある