会議の文字起こしを Whisper.API でやってみたけど、精度は YouTube の自動字幕とそれほど変わらない印象。
映像 → 音声への変換、音声の分割、コマンドプロンプトで Python 走らせるという工程を考えると (ここもやりようによっては自動化できるだろうが)、手間としても YouTube で済ませてしまうほうが結局楽であるという結論に行き着いた。