動画をテキスト化してClaudeに渡す。Whisperで文字起こし→AI活用の新定番ワークフロー

おはよう、後輩A君。

前回は「同じ説明を何度もしなくていいように、勉強会の動画を作った」という話をしたんだよね。今日はその続き。その動画を、Claudeが使える「テキスト」に変えた話をしようか。

1. 動画ってそのままじゃ使いにくいんだよね

前編で作った動画は2本。AIエージェントの講義動画（27MB）と、Claude Coworkで画像ファイルを自動整理するデモ動画（684MB）なんだよね。

勉強会には使えた。でも、動画ってそのままだと「Claudeに渡せない」んだよ。Claudeは動画を直接見ることができないから、「この動画の内容を要約して」って頼もうとしても、そこからは何もできないんだよね。

動画の価値を引き出すには、一度テキストに変換する必要があるんだよ。そのためのツールが、今日の主役「Whisper」なんだよね。

WhisperはOpenAIが開発した音声認識AIなんだよ。特徴は3つ。

まず、ローカルで動くんだよね。クラウドに音声を送信しないから、社内会議の録音とかプライバシーが気になる素材でも使いやすいんだよ。

次に、無料で使える。pip3 install openai-whisperというコマンド1つでインストールできるんだよ。

そして、日本語に対応している。languageをjaに指定するだけで、日本語の音声をそのまま文字起こしできるんだよね。

モデルのサイズは tiny / base / small / medium / large があって、大きいほど精度が上がるけど時間もかかるんだよ。今回はsmallを使ったんだよ。

2本の動画を順番にWhisperにかけてみたんだよ。

01講義.mov（27MB）
処理時間：1.8分
文字起こし結果：4,893文字

27MBで2分以下。これは思ったより早かったんだよね。Macのローカルで動かしているのに、サクッと終わった感じ。

02デモ.mov（684MB）
処理時間：数十分（バックグラウンドで実行）
文字起こし結果：9,225文字

こっちは684MBもあるから時間がかかったけど、放置しておけばいいだけなんだよね。夜のうちに実行しておいたら、翌朝には終わっていたんだよ。2本合わせて14,118文字。これが素材になるんだよね。

正直に言うと、専門用語はけっこう誤変換されるんだよね。

たとえばこんな感じ。

読んだ瞬間「何これ？」ってなるんだよね（笑）。でもね、文脈を読めばだいたいわかるんだよ。「コパエロ」が「Claude Cowork」を指してるって、前後の文章から読み取れるんだよね。

Claudeはこの「なんとなくわかる文章」を読み解くのが得意なんだよ。人間が読んでもわかるレベルの文章なら、Claudeはちゃんと理解してくれるんだよね。

つまり、文字起こしに多少の誤変換があっても、Claudeに渡す素材としては十分使えるんだよ。

2本分の文字起こしテキスト、合計14,118文字をClaudeに渡して、こんなお願いをしてみたんだよ。

この文字起こしは、社内のAIエージェント勉強会の動画2本分です。講義編とデモ編があります。内容を整理して、「勉強会のまとめドキュメント」として使えるように構造化してください。

そうしたら、Claudeが勉強会の内容を綺麗にまとめてくれたんだよね。

動画を最初から見直す必要もなく、重要な内容がテキストで手元に残ったんだよね。「動画の内容を次の記事ネタにしたい」「勉強会の内容をチームにシェアしたい」「後で見返したい」、そういうときにこのワークフローがすごく使えるんだよ。

今日やったことを整理するとシンプルなんだよね。

動画 → Whisperで文字起こし → Claudeで要約・整理

これだけで、「再生しないと使えなかった動画」が「いつでも参照できるテキスト資産」に変わるんだよ。勉強会の録画はもちろん、会議の録音、インタビュー音声、自分で録ったボイスメモ、何でも使えるんだよね。

後輩A君も、手元に眠っている動画や音声があったら、一度Whisperにかけてみようか。テキストになった瞬間、Claudeが一気に使いやすくなるんだよ。

【本日のミッション：動画をテキスト資産に変えてみようか】