Communitygithub.com

wendy7756/AI-Video-Transcriber

Transkribiert und fasst ein Video oder einen Podcast aus einer URL (YouTube, TikTok, Bilibili, Apple Podcasts, SoundCloud, 30+ Plattformen) oder aus einer lokalen Medien-/Textdatei zusammen.

Was ist AI-Video-Transcriber?

Dieses Skill ist ein leistungsstarkes Tool, das den gesamten Prozess der Transkription, Zusammenfassung, Übersetzung und des Downloads von Videos und Podcasts von über 30 Plattformen sowie lokalen Dateien automatisiert. Es nutzt zunächst verfügbare Plattform-Untertitel (mit Sekundengenauigkeit) und fällt auf lokales Whisper zurück, wenn keine vorhanden sind. Nach der Transkription kann das Modell zwischen Optimierung, Übersetzung und Zusammenfassung wählen – entweder über eine LLM-API (z. B. OpenAI) oder im reinen Transkript-Modus ohne KI. Das Skill wird idealerweise in der Kommandozeile über `transcribe.py` ausgeführt, wobei Flags wie `--summery-language`, `--no-llm` und `--whisper-model` die Verarbeitung steuern. Die Ausgabe erfolgt als JSON, das strukturierte Informationen über Titel, Sprache, Dateien und Metadaten enthält – perfekt für die Integration in CI/CD-Pipelines oder KI-Agenten, die automatisch Inhalte aus Medienlinks extrahieren müssen. Ein wichtiger Hinweis: Bei `no_speech: true` wird kein Transkript erstellt, um Halluzinationen zu vermeiden.

Funktioniert mit~Claude Code✓Codex CLI~Cursor
npx skills add https://github.com/wendy7756/AI-Video-Transcriber/tree/HEAD/skills/video-transcribe

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Video Transcribe

Führt die Pipeline dieses Repositorys headless aus: Plattform-Untertitel, falls verfügbar (in Sekunden), lokales Whisper als Fallback, dann Optimierung -> Übersetzung -> Zusammenfassung.

Vor der Ausführung

Der Befehl muss aus dem Wurzelverzeichnis des AI Video Transcriber-Repositorys ausgeführt werden und benötigt die virtuelle Umgebung des Projekts sowie ffmpeg. Einmal pro Sitzung überprüfen:

ls venv/bin/python && command -v ffmpeg
  • Keine venv: ./install.sh ausführen, oder python3 -m venv venv && venv/bin/pip install -r requirements.txt.
  • Kein ffmpeg: zuerst installieren mit brew install ffmpeg auf macOS oder sudo apt install ffmpeg auf Debian/Ubuntu. Ohne ffmpeg nicht fortfahren; die Audio-Extraktion schlägt fehl.

Ausführen

venv/bin/python transcribe.py "<URL oder Dateipfad>" --json

Immer --json übergeben: Es gibt maschinenlesbare Ausgabe auf stdout aus und hält Fortschrittsmeldungen auf stderr. JSON parsen, anstatt Log-Zeilen zu durchsuchen.

Nützliche Flags:

FlagVerwendung
-l, --summary-language <code>Sprache der Zusammenfassung: en, zh, es, fr, de, it, pt, ru, ja, ko, ar. Standard en
--no-llmKein API-Key verfügbar oder der Benutzer möchte nur das rohe Transkript. Überspringt Optimierung/Übersetzung/Zusammenfassung
--no-videoDer Benutzer möchte das Quellvideo nicht behalten
--whisper-model smallGenauigkeit wichtiger als Geschwindigkeit. tiny bis large, Standard base
-o <dir>Markdown in ein anderes Verzeichnis als ./temp schreiben

Die LLM-Schritte benötigen einen OpenAI-kompatiblen Schlüssel über OPENAI_API_KEY und optional OPENAI_BASE_URL. Ohne diesen transkribiert die Pipeline trotzdem, fällt aber auf eine einfache Formatierung zurück; --no-llm bevorzugen, wenn der Benutzer nur das Transkript benötigt.

Anbieter-Einstellungen:

export OPENAI_API_KEY="your_api_key_here"
export OPENAI_BASE_URL="https://openrouter.ai/api/v1"
export OPENAI_TRANSLATION_MODEL="gpt-4o"  # optional

Für einen einmaligen Durchlauf akzeptiert transcribe.py auch --api-key, --base-url und --model. Wenn möglich, Umgebungsvariablen bevorzugen, damit API-Keys nicht in der Shell-Historie landen.

Ergebnis lesen

{
  "title": "...",
  "no_speech": false,
  "detected_language": "en",
  "files": { "raw": "...", "transcript": "...", "summary": "...", "translation": "..." },
  "media": { "path": "...", "kind": "video", "size_bytes": 2243691 }
}

Die Pfade transcript und summary lesen, um den Inhalt zu erhalten. translation ist nur vorhanden, wenn die Quellsprache von der Zusammenfassungssprache abweicht.

Kritisch: no_speech

Wenn "no_speech": true ist, enthält die Quelle keine Sprache. Es gibt kein Transkript, keine Zusammenfassung und keine Übersetzung. Die Pipeline überspringt bewusst das LLM, damit nichts erfunden wird.

Wenn Sie dies sehen, teilen Sie dem Benutzer mit, dass das Video keine Sprache enthält. Raten Sie nicht über den Inhalt, leiten Sie ihn nicht aus dem Titel ab und beschreiben Sie nicht, was das Video wahrscheinlich sagt.

Fehlermodi

  • Exit 2: Falsche Eingabe, z. B. fehlende Datei, nicht unterstützte Erweiterung oder leere Textdatei. Melden Sie die Nachricht und korrigieren Sie das Argument.
  • Exit 1: Download-/Transkodierungsfehler, normalerweise eine nicht erreichbare URL, regionsgesperrtes/privates Video oder fehlendes ffmpeg. Melden Sie den tatsächlichen Fehler.
  • Beim ersten Start werden Whisper-Gewichte heruntergeladen, daher kann es für eine Minute so aussehen, als ob es hängt.
  • Lange Videos sind im Whisper-Modus langsam. Warnen Sie den Benutzer vor dem Start, wenn keine Plattform-Untertitel verfügbar sind.

Verwandte Skills