【要約】課題動画の文字起こしが面倒だったので、AIと文字起こしアプリを作った話 [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
学生が、講義動画の要約作業における手作業の多さに直面した。動画の文字起こしからChatGPTへの貼り付けまで、多くの工程を繰り返す必要があった。このプロセスは、単なる作業の繰り返しであり、学習の妨げとなっていた。
- ・文字起こしテキストのコピーと要約指示の作成という、手作業の負担。
- ・外部LLM API利用に伴う、継続的なコスト増と機密情報の流出リスク。
- ・ローカル環境特有の、子プロセスのバッファリングやブラウザの制約。
// Approach
開発者は、外部APIに依存せず、ユーザーの「最後のひと手間」を削る最小限の設計を採用した。要約そのものはアプリで行わず、プロンプトのコピーに特化することで、設計を軽量化した。これにより、APIキーの管理や料金支払いの手間を完全に排除した。
- ・Whisperを別プロセスで実行し、環境変数で出力を逐次表示。
- ・Clipboard APIが制限されるHTTP環境に対し、3段階のコピー手段を用意。
- ・ffprobeとタイムスタンプを突き合わせ、進捗率を推定。
- ・systemdのソケットアクティベーションを用い、利用時のみサーバーを起動。
// Result
開発者は、動画投入から要約用プロンプトのコピーまでをワンタップで完結させた。これにより、動画視聴後の要約作業にかかる心理的・物理的ハードルを大幅に下げた。自分専用の道具として、極めて高い実用性を実現している。
- ・外部API費用をほぼ0円に抑えつつ、要約作業の工数を大幅に削減。
- ・CPU実行とオンデマンド起動により、リソース消費を最小化。
- ・「要らない機能は持たない」設計により、開発期間を1日に短縮。
Senior Engineer Insight
> 「引き算の設計」が極めて実戦的だ。要約をアプリ内で完結させず、ChatGPTに委ねる判断は、コストと機密保持の観点から合理的である。また、systemdによるオンデマンド起動は、リソース制約のある環境での運用として賢明だ。ただし、CPU実行や単一プロセス構成は、スケーラビリティに欠ける。大規模環境への適用には、GPU活用と分散処理への再設計が不可欠である。