GPU版Whisper + LLMで動画を自動要約してObsidianに保存する仕組みを作った

文字起こし#

文字起こしといえばlocalで動くWhisperが有名ですよね

登場してから大分年月が経っているので、正直最近は使っていませんでした

ただClaude codeで適当に遊ぶには良い題材だと思いました

手本#

手本にしたのはMemo というアプリです

これは動画やポッドキャストを文字起こししてくれるPCアプリです

localに文字起こしモデルをおいて、それを使って文字起こしをしてくれます

ただし、GPUモードを使うには有料版が必要です

これの良い所は文字起こし結果からLLMを使ってまとめや翻訳が出来るところ

でもCPUでの文字起こしは時間が掛かる

そこで、GPU文字起こしを自作することにしました

改善点#

文字起こしは普通ですがLLMの使い方を変えました

LLMによって、

• フィラーの削除

• 文脈やtitle情報から間違えた文字起こしの修正

• 意味段落毎の分割

• 要約の作成

を行いました

これによって動画をみなくて棲みますし、出来上がったfileを obsidianに自動で保存する機能も作りました

知識の一元化には一役買ってくれています

まとめ#

Vibecodingの良い所はアイデアを形にするスピードがあがったこと

自分用にカスタマイズした物が作れるのは最高です