Was macht Video Content Extractor?
Übersicht
Extrahiert automatisch Schlüsselbilder aus MP4-Videodateien in konfigurierbaren Zeitintervallen, führt OCR (Texterkennung) auf jedem Bild durch und erstellt einen strukturierten Markdown-Bericht. Der Bericht enthält Videometadaten (Dauer, Auflösung, Codecs) und Bild-für-Bild-OCR-Transkripte mit Zeitstempelreferenzen.
Dieser Skill ist für Codex CLI konzipiert und erfordert FFmpeg und Tesseract OCR, die auf dem lokalen Rechner installiert sein müssen.
Wann dieser Skill verwendet werden sollte
- Verwenden Sie ihn, wenn Sie Textinhalte aus Videopräsentationen, Vorlesungen oder Bildschirmaufnahmen extrahieren müssen.
- Verwenden Sie ihn, wenn Sie durchsuchbare Transkripte aus Videodateien ohne eingebettete Untertitel erstellen möchten.
- Verwenden Sie ihn, wenn Sie Videoinhalte programmatisch analysieren und strukturierte Zusammenfassungen generieren müssen.
- Verwenden Sie ihn, wenn der Benutzer darum bittet, "zu lesen, was auf dem Bildschirm ist" oder "den Inhalt dieses Videos zu extrahieren".
So funktioniert es
Schritt 1: Videometadaten analysieren
Der Skill verwendet ffprobe, um Videometadaten zu extrahieren: Dauer, Auflösung, Bildrate, Codec-Informationen und Dateigröße.
Schritt 2: Schlüsselbilder extrahieren
Mit FFmpeg erfasst der Skill Bilder im konfigurierten Intervall (Standard: alle 30 Sekunden). Jedes Bild wird als JPEG-Datei mit Zeitstempel gespeichert.
Schritt 3: OCR-Texterkennung
Jedes extrahierte Bild wird von Tesseract OCR verarbeitet. Wenn der Standard-PSM-Modus keinen sinnvollen Text liefert, wird auf vollautomatische Seitenzerlegung zurückgegriffen.
Schritt 4: Markdown-Bericht erstellen
Alle extrahierten Daten werden zu einem strukturierten Markdown-Dokument zusammengestellt.
Beispiele
Beispiel 1: Basisextraktion
Agent-Prompt: Verwende den Skill video-content-extractor, um Inhalte aus lecture.mp4 zu extrahieren
Die Ausgabe erzeugt lecture.md und das Verzeichnis lecture_frames/.
Beispiel 2: Benutzerdefiniertes Intervall
Parameter: video_path, output_dir, interval(seconds), lang Extrahiere alle 60 Sekunden mit OCR nur für Englisch: python scripts/extract_video.py recording.mp4 ./output 60 eng
Beispiel 3: Zweisprachiger Inhalt
Extrahiere mit standardmäßigem Chinesisch + Englisch OCR: python scripts/extract_video.py lecture.mp4 . 15 chi_sim+eng
Best Practices
- Verwenden Sie kürzere Intervalle (10-15s) für schnelllebige Inhalte mit häufigen Textänderungen.
- Verwenden Sie längere Intervalle (30-60s) für Präsentationsfolien oder langsame Vorlesungen, um doppelte Bilder zu reduzieren.
- Stellen Sie für chinesische Inhalte sicher, dass das Tesseract-Chinesisch-Sprachpaket (chi_sim) installiert ist.
Einschränkungen
- Erfordert installierte FFmpeg- und Tesseract-OCR-Versionen, die über PATH zugänglich sind.
- Die Genauigkeit von Tesseract OCR hängt von der Videoqualität, der Textgröße und der Schriftklarheit ab.
- Extrahiert kein Audio und führt keine Sprach-zu-Text-Transkription durch.
- Die Bilderextraktion erfolgt zeitbasiert (nicht szenenwechselbasiert), was zu nahezu identischen Bildern führen kann.
- Große Videos mit kurzen Intervallen können viele Bilder erzeugen – stellen Sie ausreichend Speicherplatz sicher.
Sicherheitshinweise
- Dieser Skill liest nur Videodateien und schreibt extrahierte Bilder sowie Markdown-Berichte.
- Es werden KEINE Daten über das Netzwerk gesendet – die gesamte Verarbeitung erfolgt lokal.
- FFmpeg und Tesseract werden mit festen, geprüften Argumenten aufgerufen.
- Der Skill ändert oder löscht die ursprüngliche Videodatei nicht.
Häufige Fallstricke
-
Problem: Tesseract gibt verstümmelten Text zurück Lösung: Stellen Sie sicher, dass das richtige Sprachpaket installiert ist. Führen Sie tesseract --list-langs aus, um dies zu überprüfen.
-
Problem: FFmpeg schlägt mit "nicht gefunden" fehl Lösung: Stellen Sie sicher, dass FFmpeg im PATH ist. Führen Sie ffmpeg -version aus, um dies zu überprüfen.
-
Problem: OCR ist bei großen Videos langsam Lösung: Erhöhen Sie den Intervallparameter, um die Anzahl der zu verarbeitenden Bilder zu reduzieren.
Verwandte Skills
- @media-summarizer – Zum Zusammenfassen von Videoinhalten mithilfe visueller und akustischer Hinweise.
- @document-ocr – Für OCR auf statischen Bildern oder gescannten Dokumenten ohne Videoverarbeitung.