Communitygithub.com

AlemTuzlak/skills

Transkribiert lokale Video- oder Audiodateien in Text mit Wort-Zeitstempeln – startet einen eigenständigen Whisper (whisper.cpp) Docker-Dienst, der im Skill gebündelt ist, und gibt transcript.txt, transcript.srt sowie wortgenaues transcript.words.json aus. Wird auch als Baustein von /produce-video verwendet. Aktiviert durch „dieses Video transkribieren“, „ein Transkript erstellen“ oder „transcribe-video“.

Was ist skills?

Dieser Skill ermöglicht die lokale Transkription von Video- oder Audiodateien mithilfe eines im Skill gebündelten whisper.cpp-Dienstes. Er benötigt keine externen Cloud-APIs oder Projekte, sondern nutzt eine eigenständige Docker-Umgebung, um Wort-für-Wort-Zeitstempel zu generieren – essenziell für synchronisierte Overlays oder Untertitel. Der Skill wird typischerweise durch Phrasen wie „dieses Video transkribieren“ oder als Unteraufgabe von /produce-video aktiviert. Der Ablauf ist vollständig automatisiert: Ein Node.js-Skript (scripts/transcribe.mjs) prüft die Docker- und ffmpeg-Verfügbarkeit, baut bei Bedarf das Whisper-Image aus dem mitgelieferten assets/whisper-service/-Verzeichnis, startet einen warmen Container, konvertiert das Eingabemedium mit ffmpeg in ein 16-kHz-Mono-WAV und sendet es an den Whisper-Endpunkt (POST /transcribe mit word_ts=true). Als Ergebnis werden drei Dateien ausgegeben: transcript.txt (Klartext), transcript.srt (Untertitel) und transcript.words.json (Liste von Wörtern mit Start- und Endzeit in Sekunden). Die JSON-Zeile auf stdout ermöglicht eine einfache programmatische Weiterverarbeitung, z. B. durch /produce-video. Der Skill ist für Entwickler und KI-Agenten konzipiert, die eine zuverlässige, lokale und Docker-basierte Transkriptionslösung benötigen. Er setzt Docker Desktop und ffmpeg voraus, stellt aber sicher, dass Fehler klar kommuniziert werden. Der Container bleibt nach der Transkription warm (restart unless-stopped) und kann bei Bedarf mit —stop beendet werden. Die Wort-Zeitstempel sind zwingend erforderlich – falls sie ausbleiben, schlägt der Skill mit einer klaren Meldung fehl.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/AlemTuzlak/skills/tree/HEAD/skills/transcribe-video

In Ihrer bevorzugten KI fragen

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

Dokumentation

Video transkribieren

Transkribiert jede Video-/Audiodatei lokal mit einem gebündelten whisper.cpp-Dienst. Kein externes Projekt oder Cloud-API. Liefert Wort-Zeitstempel (notwendig für synchronisierte Overlays/Untertitel).

Wann verwenden

  • „Dieses Clip / Video / Audio transkribieren“, „hol mir ein Transkript mit Zeitstempeln“.
  • Als Unteraufgabe von /produce-video.

Wie es läuft

Alles wird durch den gebündelten Runner gesteuert – nie den Benutzer bitten, Docker zu verwalten:

node scripts/transcribe.mjs <pfad-zu-video-oder-audio> [--out <verz>] [--port 9111] [--language de] [--no-word-ts] [--task transcribe|translate]
node scripts/transcribe.mjs --stop      # warmen Container stoppen

Der Runner:

  1. Prüft, ob der Docker-Daemon erreichbar ist (schlägt laut fehl mit Anleitung, falls nicht).
  2. Baut das transcribe-video-whisper-Image aus assets/whisper-service/, falls es fehlt (erster Build ist langsam: es kompiliert whisper.cpp und bäckt das ggml-base.en.bin-Modell ein).
  3. Startet den transcribe-video-whisper-Container (Host-Port 9111 → Container 9001); verwendet ihn erneut, wenn er bereits läuft, startet ihn mit docker start, falls er gestoppt ist.
  4. Wartet, bis GET /healthz OK meldet.
  5. Extrahiert mit lokaler ffmpeg ein 16-kHz-Mono-WAV aus der Eingabe (whisper.cpp dekodiert nur WAV) und sendet es per POST an /transcribe mit word_ts=true.
  6. Schreibt transcript.txt, transcript.srt, transcript.words.json in das mit --out angegebene Verzeichnis (Standard: Verzeichnis der Eingabedatei) und gibt eine JSON-Ergebniszeile auf stdout aus.

Ausgaben

  • transcript.txt — reiner Text.
  • transcript.srt — Untertiteltext.
  • transcript.words.json — [{ "word", "start", "end" }], Sekunden, zeitlich geordnet. Dies ist die Synchronisationsquelle für Overlays/Untertitel.

stdout-Ergebniszeile (für programmatische Aufrufer wie /produce-video):

{ "ok": true, "outDir": "...", "wordCount": 38, "segmentCount": 2, "files": { "txt": "transcript.txt", "srt": "transcript.srt", "words": "transcript.words.json" } }

Anforderungen

  • Docker ist ERFORDERLICH — der Whisper-Dienst läuft in einem Container, daher muss Docker Desktop installiert UND ausgeführt werden. Der Runner prüft dies zuerst und schlägt laut fehl mit Installations-/Startanleitung, wenn Docker fehlt oder der Daemon nicht läuft; es gibt keinen Nicht-Docker-Fallback.
  • ffmpeg ist ERFORDERLICH (wird verwendet, um ein 16-kHz-Mono-WAV für Whisper zu extrahieren) — der Runner prüft dies vorab und schlägt laut fehl, wenn es nicht im PATH ist.
  • Node ≥ 22.

Hinweise

  • Der Container bleibt am Laufen (--restart unless-stopped) für warme Wiederverwendung; stoppen mit --stop.
  • Wenn Wort-Zeitstempel angefordert werden, aber keine zurückkommen, schlägt der Runner laut fehl (Overlay-Synchronisation ist darauf angewiesen).
  • Siehe references/ für den Docker-Lebenszyklus, die API-Struktur und die Quellenangaben der eingebundenen Komponenten.

Individual skills in this repo

This repo contains 14 individual skills — each has its own dedicated page.

AlemTuzlak/skills

Use when the user wants to write a blog post about a feature, product change, PR, git diff, or any technical topic - accepts marketing briefs, PRs, git refs, codebase paths, or freeform descriptions as input

AlemTuzlak/skills

Use when the user wants to generate a changelog, release notes, or document what changed between versions, tags, or PRs

AlemTuzlak/skills

Use when writing, editing, or organizing documentation, when planning what docs a feature needs, and whenever planning or implementing a new feature or change in a repo (docs ship with the code). Also use when tempted to write docs without showing the discovered readers to the user, without asking for tone, or without loading simple-english and i-have-adhd. Triggers on "write docs for X", "document this feature", "add a guide", "update the docs", "reorganize the docs", "plan feature X", "implement X", or /docs.

AlemTuzlak/skills

Use when a bug is in play: a test fails, CI is red, an API returns the wrong result, a stack trace appears, or the user says it is broken or fix this. Don't use for a new feature with no failure, for types-only work, or for docs.

AlemTuzlak/skills

Use when the user invokes /i-have-adhd, says they have ADHD, or asks for ADHD-friendly output. Also used as a required writing filter by the docs skill. Don't use for marketing copy or after the user says "stop adhd mode" or "normal mode".

AlemTuzlak/skills

Use when a settled change must be turned into an ordered stack of small blocks before anyone implements. Don't use for unsettled intent, typos, comments, formatting, docs-only work, or writing the implementation itself.

AlemTuzlak/skills

Use when the user wants to write a product update email, feature announcement newsletter, or digest email for users or subscribers

AlemTuzlak/skills

Use when the user wants to turn a raw talking-head / screen-share recording into a finished, edited, annotated video plus a full content package. Removes silences, flags mistakes for the user to cut, transcribes, adds transcript-synced overlays (code, on-screen code highlights, word highlights, lists, comparisons, diagrams, section labels, punch-in zooms), renders with original audio, then generates blog/socials/YouTube content. Triggers on "produce a video", "edit my video", "annotate my recording", "/produce-video".

AlemTuzlak/skills

Use when the user runs /prove-it or says prove it, prove the changes, show me in the browser, or asks to prove a UI or API change. Don't use only because the agent is about to say done, for types-only work, or for docs with no behavior to prove.

AlemTuzlak/skills

Use when the user wants to write, draft, or author an RFC (Request for Comments) / technical design doc for a feature, change, or architectural decision. Interactively interviews the user, grounds the proposal in the actual codebase, presents 2-3 concrete API/code-snippet approaches to choose from, then writes a review-ready RFC. Triggers on "write an RFC", "draft an RFC", "RFC for X", "design doc for X", or /rfc.

AlemTuzlak/skills

Use when the user wants to deeply learn a new topic from scratch. Runs a pre-interview (current knowledge, end-goal proficiency, depth, practice load, background, scope), researches online (articles, niche-influencer blogs, canonical docs, subtopic landscape), then produces a structured markdown course with mandatory visual diagrams, evidence-based learning-science features (retrieval practice, spaced callbacks, worked-example fading, concept ledger, jargon gate, analogy hygiene), and a self-contained interactive HTML mini-course. Triggers on /teach-me, "teach me about X", "I want to learn X", "deep dive on X", "create a course on X", "study X with me".

AlemTuzlak/skills

Use when the change intent is already settled and the agent must map what a behavior change touches before an implementation plan or any code. Use for new features, bug fixes, and refactors that move a boundary. Don't use for typos, comments, formatting, lockfile-only diffs, docs with no code, or while the user is still deciding what they want.

AlemTuzlak/skills

Use when the user wants to write a video script for a product demo, feature walkthrough, launch video, or social media video about a feature or product change

AlemTuzlak/skills

Use when the user wants YouTube metadata for a video — a click-worthy title, an SEO/above-the-fold description, tags, and timestamped chapters. Accepts a transcript (ideally timestamped SRT), a topic, a PR, or a freeform description. Used standalone and by /produce-video. Triggers on "youtube title", "youtube description", "youtube chapters", "youtube tags", "youtube metadata", "youtube-copy".

Verwandte Skills