trx: CLI で音声・動画を文字起こしする

ローカルの Whisper を使ったエージェントファーストの音声・動画文字起こし CLI。URL やローカルファイルからメディアをダウンロード、クリーンアップ、文字起こしし、機械可読な出力を生成します。

trx は yt-dlp でメディアをダウンロードし、ffmpeg で音声をクリーンアップし、ローカルの Whisper モデルで文字起こしします。.wav、.srt、.txt、JSON を出力し、AI エージェントを第一に考えて設計されています。JSON 出力、dry-run 検証、フィールドのフィルタリング、実行時のスキーマイントロスペクションを備えています。

インストール

bun add -g @crafter/trx
trx init

クイックスタート

ローカルファイルの文字起こし：

trx recording.mp4

URL からの文字起こし（YouTube および yt-dlp が対応するすべてのサイト）：

trx "https://youtube.com/watch?v=..."

エージェント向けの使い方

スクリプトや AI エージェントから呼び出すために設計された、機械可読な出力です：

# JSON output
trx transcribe video.mp4 --output json

# Only the text field
trx transcribe video.mp4 --fields text --output json

# Validate without executing
trx transcribe video.mp4 --dry-run --output json

# Inspect the command schema at runtime
trx schema transcribe

言語サポート

trx transcribe video.mp4 --language es

モデルサイズ

Whisper モデルは tiny（75MB）から large（3GB）まであります。trx init の際に、必要な精度と速度に合ったサイズを選んでください。

リンク

GitHub
npm