【要約】3人分のトークに色分け字幕を入れる作業がつらすぎて、字幕エディタを作った [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
YouTubeの動画制作において、投稿者が複数人の会話を色分け字幕にする作業に膨大な時間を費やしている。既存の編集ソフトを使用する中で、以下の課題に直面した。
- ・UIの不備：テキスト修正時にフォントや色設定が混在し、操作が煩雑である。
- ・話者分離の限界：自動文字起こしでは話者が同一人物にまとめられ、色分けが困難である。
- ・リソース不足：低スペックなPCでは、重い編集ソフトの動作が極めて遅い。
// Approach
既存の汎用ソフトでは解決できない課題に対し、字幕の「修正」に特化した専用エディタ「Traccia」を開発した。
- ・作業の分離：自動化可能な「文字起こし」と、人が行う「修正」を明確に分けた。
- ・LLMの活用：Gemini APIを採用し、話者分離と固有名詞の精度を向上させた。
- ・UIの最適化：プレビュー、波形、字幕リストを1画面に集約し、操作性を高めた。
- ・リスク管理：API利用時の誤操作を防ぐため、実行前の費用見積もり機能を実装した。
// Result
Gemini APIを導入したことで、字幕作成の精度とコストの両面で劇的な改善を実現した。
- ・精度の向上：Geminiは話者数を事前に把握できるため、話者分離の正答率が高い。
- ・固有名詞の制御：プロンプトで用語を指定することで、メニュー名等の誤字を最小化した。
- ・コストの低減：1分あたり約$0.02と、専用APIよりも安価な運用が可能となった。
- ・作業の効率化：修正に特化したUIにより、編集速度が大幅に向上した。
Senior Engineer Insight
> 汎用ツールが解決できない「特定の作業工程」にフォーカスした、極めて実践的なアプローチである。特に、LLMを単なるテキスト生成ではなく、コンテキスト（話者数や固有名詞）を注入可能な「高精度な認識エンジン」として再定義している点が鋭い。運用面では、APIコストの可視化や上限設定など、実運用における「事故防止」が組み込まれており、個人開発の域を超えた堅牢な設計思想が感じられる。