transcribe-saas

日本語中心の音声文字起こしWebツール（OpenAI先行、Gemini拡張対応）

実装済み

• ユーザー登録 / ログイン
• 任意MFA（TOTP）セットアップ + 有効化API
• ユーザーごとのプロジェクト分離
• 音声アップロード（署名付きURL）
• Redisキュー投入
• Workerによる文字起こし（OpenAI / Gemini provider切替）
• 文字起こし/セグメント保存
• 話者ラベル保存（speaker profile）
• 自動同定の基盤（マッチ履歴、再同定API、埋め込み学習テーブル）
• エクスポート（txt/srt/json）

重要（現状の精度設計）

• OPENAIだけでは話者埋め込みを直接取得しにくいため、 現在は「自動同定の土台」は実装済みだが、埋め込み供給を別providerで強化する前提。
• そのため、現時点では話者分離精度は限定的（多くが SPEAKER_00 になる）。
• 次段でDiarization/Voiceprint provider（外部API）を追加すると、継続同定精度を大幅に上げられる。

起動

cp .env.example .env
# .env に OPENAI_API_KEY を設定（Geminiを使うなら GEMINI_API_KEY も）

sudo docker compose up -d --build

Web: http://localhost:3000
MinIO Console: http://localhost:9001

主要API

• POST /api/auth/register
• POST /api/auth/login
• POST /api/auth/mfa/setup
• POST /api/auth/mfa/enable
• GET/POST /api/projects
• POST /api/audio/upload-url
• POST /api/audio/enqueue/:id
• GET /api/audio/:id
• GET /api/transcripts/:id
• GET /api/transcripts/:id/matches
• POST /api/transcripts/:id/label
• POST /api/transcripts/:id/auto-identify
• GET /api/transcripts/:id/export?format=txt|srt|json
• GET /api/speakers

env（抜粋）

• TRANSCRIPTION_PROVIDER=openai|gemini
• OPENAI_API_KEY=...
• OPENAI_TRANSCRIBE_MODEL=gpt-4o-mini-transcribe
• GEMINI_API_KEY=...
• GEMINI_TRANSCRIBE_MODEL=gemini-2.0-flash
• SPEAKER_AUTO_THRESHOLD=0.78
• SPEAKER_SUGGEST_THRESHOLD=0.70

Google STT話者分離を使う場合

1. Google Cloud Speech-to-Text APIを有効化
2. サービスアカウントJSONを配置（例: ./secrets/gcp-stt.json）
3. .env に以下を設定

DIARIZATION_PROVIDER=google
GOOGLE_APPLICATION_CREDENTIALS=/app/secrets/gcp-stt.json
GOOGLE_STT_LANGUAGE=ja-JP
GOOGLE_STT_SPEAKER_COUNT=2
GOOGLE_STT_MODEL=latest_long
GOOGLE_STT_ENCODING=MP3
GOOGLE_STT_SAMPLE_RATE=16000

注意: Google diarizationは speakerTag を返します。現在は speakerTag から疑似埋め込みを生成して継続同定に接続しています。