音声文字起こし・議事録自動生成ツール

このプロジェクトは、音声ファイルや動画ファイルから文字起こしを行い、高品質な議事録を自動生成するツールです。Gemini APIを活用して、文字起こしの品質向上やハルシネーション（幻覚）の検出、構造化された議事録の生成を実現します。

機能

• 音声ファイル・動画ファイルの文字起こし
• 文字起こし結果のハルシネーションチェック
• 構造化された議事録の自動生成
• 動画からの画像抽出とシーン検出
• Notionへの議事録アップロード

必要条件

• Python 3.8以上
• FFmpeg（動画・音声処理用）
• Gemini API キー
• Notion API キー（Notionアップロード機能を使用する場合）

インストール

1. リポジトリをクローン

git clone https://github.com/yourusername/tts-mcp.git
cd tts-mcp

2. 必要なパッケージをインストール

pip install -r requirements.txt

3. 設定ファイルを作成

cp config/settings.json.example config/settings.json

4. 設定ファイルを編集して、APIキーなどを設定

# お好みのエディタで設定ファイルを開く
notepad config/settings.json

使用方法

基本的な使い方

python main.py -i <入力ファイルまたはディレクトリ> -o <出力ディレクトリ>

オプション

• -i, --input: 入力ファイルまたはディレクトリのパス（必須）
• -o, --output-dir: 出力ディレクトリのパス（オプション、デフォルト: output）
• --upload-to-notion: 議事録をNotionにアップロードする
• --image-quality: 抽出する画像の品質（1-5、高いほど高品質、デフォルト: 3）
• --image-interval: 画像抽出の間隔（秒、デフォルト: 60）
• --scene-threshold: シーン検出の閾値（0.0-1.0、高いほど厳しい、デフォルト: 0.3）
• --min-scene-duration: 最小シーン長（秒、デフォルト: 2.0）
• --chunk-duration: 音声チャンクの長さ（秒、デフォルト: 600）
• --language: 言語設定（ja/en、デフォルト: ja）
• --config: 設定ファイルのパス
• --gemini-api-key: Gemini APIキー
• --notion-api-key: Notion APIキー
• --notion-database-id: Notion データベースID
• --version: バージョン情報を表示

使用例

1. 単一の音声ファイルを処理

python main.py -i path/to/audio.mp3

2. ディレクトリ内のすべてのメディアファイルを処理

python main.py -i path/to/media/directory

3. 議事録をNotionにアップロード

python main.py -i path/to/audio.mp3 --upload-to-notion

プロジェクト構造

tts-mcp/
├── config/                 # 設定ファイル
├── docs/                   # ドキュメント
├── output/                 # 出力ディレクトリ
├── prompts/                # プロンプトテンプレート
├── resources/              # リソースファイル
├── src/                    # ソースコード
│   ├── application/        # アプリケーション層
│   ├── domain/             # ドメイン層
│   ├── infrastructure/     # インフラ層
│   ├── services/           # サービス層
│   └── utils/              # ユーティリティ
├── tests/                  # テスト
├── main.py                 # メインスクリプト
└── README.md               # このファイル

ライセンス

このプロジェクトはMITライセンスの下で公開されています。詳細はLICENSEファイルを参照してください。

謝辞

• このプロジェクトは、FFmpegを使用しています。
• 文字起こしと議事録生成には、Google Gemini APIを使用しています。