YouTube動画の精度の高い文字起こし法を習いました。

今日はTogoTVの新しい動画を見ました。この動画なんですが１細胞レベルのRNA-seqの話で、解析にAIをどう活用するかの実例を披露されている動画です。
『Agent-readyなデータ解析ワークフローの構築』

https://youtu.be/_GhEF7oYc3E

大変面白い動画でしたが、一細胞レベルのRNA-seqの専門用語に馴染みがない私には理解できない部分があちこちにありました。自動文字起こしは例えばこんなふうです。これは最後の質疑応答の部分の文字起こしです。

【ああ、そっか。そういうことであれば この細胞型ノテーション っていうのがすごい複雑な作業だっていう 話をしたと思うんですけど、これあの論文 にはこういうラベルが付いてるのにGO みたいな公共データベースではついてない んですよね。で、みんながメタデータとし てそのラベ情報を当てがっていたり、ま、 あとは解析済みのスーラとかスキャンパー みたいな、え、ファイをGOでも共有し てればこんな苦労はないんですけど、 なかなかそういうのをGOがやってくれ ないっていう、やってくれないていうか なんてだろう、やらなくてもデータとして 受け付けるような状況になっていて、で、 毎回このデータは、あ、この細胞は何の 細胞ですか?ての著者に問い合わせたりと かしてきてるんですけど、そこがま、 ちょっとデータ側にはやってほしいなって 感じですね。ただAIが結構高制度に予測 してくるようになったってのが現状には なります。】

スーラとかスキャンパーとか、なんのことかわからない文字起こしや、GOなど誤りらしい部分を青字で示してみました。スーラとかスキャンパーってなんなのでしょう？「バイオインフォマティクス」などの単語と合わせてGoogle検索してもなんのことかわかりませんでした。GOと文字起こしされているのは、実はGEOです。Geminiに動画のurlを入れて聞いてみると、スーラとスキャンパーというのは実は、SeuratとScanpyというのが正しい用語だとわかりました。以下はこの２つのGeminiによる解説です。

Seurat（スーラ）とScanpy（スキャンピー）は、どちらもシングルセルRNA-seq（scRNA-seq）で得られた膨大なデータを解析し、生物学的な意味を見出すための総合的な解析パッケージ（フレームワーク）です。

• Seurat: R言語ベースのパッケージ。Satijaラボが開発しており、世界中で最も広く使われている事実上の標準ツールです。ドキュメントやチュートリアルが非常に豊富です。

• Scanpy: Python言語ベースのパッケージ。Theisラボが開発。Pythonの機械学習ライブラリとの連携がしやすく、数百万細胞規模の巨大なデータセットに対しても高速に処理できるのが強みです。

  ---

これはGeminiのプロンプトに動画のurlを貼り付けて質問して、「スーラというのはsraファイルのことですか？」などとプロンプトでたずねたときの回答です。この後は、シングルセルRNA-seqの実習をしてみますか？というようなチャットが続いて、scRNA-seqデータの解析をRやPythonで体験する教科書をつくってくれました。すごい時代になったと実感します。その後、YouTube動画を正確に文字起こしする方法を教えてもらおうと次のプロンプトを入力しました。
【ところで、YouTube動画の文字起こしで、科学的内容を正確に文字起こしできるものでおすすめのソフトやサービスがありますか？Googleのものが良いと、この動画の演者が述べていましたが。】
回答では3つの方法を教えてくれました。記事の最後に回答をそのまま貼り付けますが、私は2番目のGoogle AIStudioを使ってみました。使い方は明日書きますが、無料でこの程度の動画なら2分もかからず全文文字起こししてくれます。モデルは最新のGemini 3.8 Flashを選び、プロンプトは以下のものを考えて使ってみました。
『読み込んだ動画の音声を、タイムスタンプ付きで全文文字起こししてください。

【指示ルール】
> 1. **省略禁止:** 要約はせず、発言内容をすべてテキスト化してください。
> 2. **タイムスタンプ:** 内容の区切りが良いところ（おおむね3〜5分間隔）で、見出しとともにタイムスタンプ（例：）を挿入してください。
> 3. 音声が聞き取れない箇所や、専門用語の正確なスペル・意味に確信が持てない単語については、無理に推測せず 【？：聞こえたままのカタカナ】 のように目立つ印をつけて出力してください。
> 4. **ケバ取り:** 意味を持たない言い淀み（あー、えーっと等）のみ削除し、自然な日本語の文章にしてください。』

このプロンプトの3番目は、AIが勝手に推測して適当な単語に変換してしまうのを防ぐものです。AIが知らない、あるいは聞き取りにくかった部分は【】にかこんで表示してくれるようになります。

最初に自動文字起こしで表示された部分の文字起こし結果は以下のように完璧です。
『Google AIStudioによる文字起こし：
ああ、そっか。そういうことであれば、この細胞型アノテーションというのがすごい煩雑な作業だという話をしたと思うんですけど、論文にはこういうラベルが付いているのに、GEOみたいな公共データベースでは付いていないんですよね。みんながメタデータとしてそのラベル情報を当てがっていたり、あとは解析済みのSeuratとかScanpyみたいなファイルをGEOでも共有していればこんな苦労はないんですけど、なかなかそういうのをGEOがやってくれないというか、やらなくてもデータとして受け付けるような状況になっていて。毎回「このデータは、この細胞は何の細胞ですか」というのを著者に問い合わせたりとかしてきているんですけど、そこはちょっとデータ側にはやってほしいなという感じですね。ただAIが結構高精度に予測してくれるようになったというのが現状にはなります。』
GOと自動文字起こしで書かれていた部分も、ちゃんとGEOになっていますし、スーラとかスキャンピーとか意味不明な文字起こしの部分も、正確な解析パッケージ名であるSeuratとScanpyになっています。他の部分も完璧で人名、大学名などもちゃんと認識していました。このGoogle AIStudioなら長い動画の文字起こしも、あっと言う間に完了してしまいます。これはすごいのでぜひ活用してみてください。詳しい利用法は明日書きます。

以下はGeminiが教えてくれた3つの高精度で文字起こしできるツールについての回答です。