Communitygithub.com

wendy7756/AI-Video-Transcriber

Transcribe y resume un video o podcast desde una URL (YouTube, TikTok, Bilibili, Apple Podcasts, SoundCloud, más de 30 plataformas) o desde un archivo local de medios/.txt. Úsalo cuando el usuario comparta un enlace de video/podcast o un archivo de medios y quiera una transcripción, resumen, traducción o la descarga del video original. Se activa con "transcribe", "summarize this video", "what does this video say", "get the transcript", "transcribir", "resumen de video".

¿Qué es AI-Video-Transcriber?

Esta skill ejecuta el pipeline del repositorio `wendy7756/AI-Video-Transcriber` para procesar videos o podcasts desde una URL o archivo local. Primero intenta obtener subtítulos de la plataforma (con marcas de tiempo precisas), y si no están disponibles, usa Whisper local como respaldo. Luego optimiza la transcripción, la traduce (si es necesario) y genera un resumen, todo mediante un modelo LLM compatible con OpenAI. Soporta más de 30 plataformas como YouTube, TikTok, Bilibili, Apple Podcasts y SoundCloud, así como archivos locales de video, audio o texto. Es útil cuando un usuario comparte un enlace o archivo y pide transcripción, resumen, traducción o la descarga del video original. Requiere Python, ffmpeg y una clave de API de OpenAI (aunque puede funcionar sin LLM usando `--no-llm` para transcripciones crudas). La salida se obtiene en JSON con rutas a los archivos de transcripción, resumen y traducción.

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

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

Transcripción de Video

Ejecuta el pipeline de este repositorio sin interfaz gráfica: subtítulos de la plataforma cuando estén disponibles (en segundos), Whisper local como respaldo, luego optimiza -> traduce -> resume.

Antes de ejecutar

El comando debe ejecutarse desde la raíz del repositorio AI Video Transcriber y necesita el virtualenv del proyecto y ffmpeg. Verifica una vez por sesión:

ls venv/bin/python && command -v ffmpeg
  • Sin venv: ejecuta ./install.sh, o python3 -m venv venv && venv/bin/pip install -r requirements.txt.
  • Sin ffmpeg: instálalo primero con brew install ffmpeg en macOS o sudo apt install ffmpeg en Debian/Ubuntu. No continúes sin él; la extracción de audio fallará.

Ejecútalo

venv/bin/python transcribe.py "<URL o ruta de archivo>" --json

Usa siempre --json: coloca la salida legible por máquina en stdout y mantiene el progreso en stderr. Analiza el JSON en lugar de leer las líneas de log.

Banderas útiles:

BanderaCuándo usarla
-l, --summary-language <código>Idioma del resumen: en, zh, es, fr, de, it, pt, ru, ja, ko, ar. Por defecto en
--no-llmNo hay clave API disponible, o el usuario solo quiere la transcripción cruda. Omite optimizar/traducir/resumir
--no-videoEl usuario no quiere conservar el video fuente
--whisper-model smallLa precisión importa más que la velocidad. Desde tiny hasta large, por defecto base
-o <dir>Escribir el Markdown en otro directorio que no sea ./temp

Los pasos con LLM necesitan una clave compatible con OpenAI a través de OPENAI_API_KEY y opcionalmente OPENAI_BASE_URL. Sin ella, el pipeline aún transcribe pero usa formato básico; prefiere --no-llm cuando el usuario solo necesita la transcripción.

Configuración del proveedor:

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

Para una ejecución única, transcribe.py también acepta --api-key, --base-url y --model. Prefiere las variables de entorno cuando sea posible para no escribir claves API en el historial del shell.

Lectura del resultado

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

Lee las rutas transcript y summary para obtener el contenido. translation está presente solo cuando el idioma fuente difiere del idioma del resumen.

Crítico: no_speech

Cuando "no_speech": true el origen no contiene voz. No hay transcripción, resumen o traducción. El pipeline omite deliberadamente el LLM para que no se invente nada.

Si ves esto, dile al usuario que el video no tiene voz. No adivines el contenido, no lo infieras del título ni describas lo que probablemente dice el video.

Modos de fallo

  • Código de salida 2: entrada incorrecta, como un archivo faltante, extensión no soportada o archivo de texto vacío. Informa el mensaje y corrige el argumento.
  • Código de salida 1: fallo de descarga/transcodificación, generalmente una URL inaccesible, video bloqueado por región o privado, o falta de ffmpeg. Informa el error real.
  • La primera ejecución descarga los pesos de Whisper, por lo que puede parecer que se queda colgado durante un minuto.
  • Los videos largos son lentos en modo Whisper. Advierte al usuario antes de comenzar si no hay subtítulos de la plataforma disponibles.

Skills relacionados