Communitygithub.com

legenxxx/video-digest

Convierte cualquier video en un resumen de texto buscable: transcripción, texto en pantalla y enlaces, y montajes de cuadros. 100% local, sin nube.

¿Qué es video-digest?

Esta habilidad para agentes de IA (como Claude Code, Cursor o Codex) transforma archivos de video en resúmenes de Markdown enriquecidos y totalmente buscables, todo ejecutándose de forma local y sin depender de servicios en la nube. A partir de un video, genera tres componentes que se fusionan en un único archivo `digest.md`: una transcripción de voz (mediante faster-whisper en el dispositivo), todo el texto visible en pantalla con URLs y @handles extraídas mediante OCR (usando Vision en macOS o Tesseract en Linux), y montajes de cuadros que ofrecen una vista visual rápida del clip. Está diseñada para trabajar con archivos de video comunes (mp4, mov, etc.) y es ideal para catalogar grandes volúmenes de contenido, recuperar enlaces mostrados en pantalla o analizar tutoriales sin tener que reproducirlos. Cada etapa es reanudable y los fallos son graduales: si falta un motor opcional, simplemente se salta esa parte y genera un resumen parcial. Se usa mediante scripts bash (`scripts/video-digest.sh`) y requiere únicamente `ffmpeg` como dependencia base.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add legenxxx/video-digest

Preguntar en tu IA favorita

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

Documentación

¿Qué hace video-digest?

Resumen

Convierte cualquier video en un único resumen de Markdown buscable. Para cada clip, la habilidad genera tres elementos y los combina en un digest.md:

  1. Transcripción — las palabras habladas (faster-whisper, en el dispositivo).
  2. Texto en pantalla — cada línea de texto única visible en los fotogramas (OCR), con URLs y @handles extraídos por separado.
  3. Montajes de cuadros — cuadrículas de fotogramas que abarcan todo el clip, para que puedas leer su historia visual de un vistazo.

Todo se ejecuta localmente. Sin llamadas de red, sin cuentas, sin telemetría. El núcleo solo necesita ffmpeg; la transcripción y el OCR son opcionales y se degradan de forma gradual.

Cuándo usarlo

  • "¿Qué contiene este video / estos 200 videos?" sin tener que verlos.
  • Construir un catálogo buscable de reels, charlas, tutoriales o grabaciones.
  • Recuperar los enlaces y handles que aparecen en pantalla en un clip.
  • Obtener una vista visual rápida (montajes) de grabaciones largas o muchas.

No es para: transmisiones en vivo, edición/corte de video, o generación de video. Esto lee video y emite texto + resúmenes de imágenes.

Referencia rápida

scripts/check-deps.sh                    # lo que está instalado + cómo obtener el resto
scripts/video-digest.sh clip.mp4         # un video → ./video-digest-out/clip/digest.md
scripts/video-digest.sh --out ~/digests *.mp4     # procesar toda una carpeta
scripts/video-digest.sh --lang es talk.mov        # indicar el idioma de la transcripción
scripts/video-digest.sh --no-transcript reel.mp4  # omitir audio, solo texto visual
scripts/video-digest.sh --ocr-engine tesseract x.mp4   # forzar un motor OCR específico
BanderasPropósitoValor por defecto
-o, --out DIRdirectorio de salida./video-digest-out
--fps Ntasa de muestreo de fotogramas para OCR2
--montage-frames Nfotogramas distribuidos a lo largo del clip90
--tile CxRcuadrícula del montaje3x3
--ocr-engine Eauto|vision|tesseract|noneauto
--whisper-model Mtiny|base|small|medium(+.en)small
--whisper-python Pintérprete que tenga faster-whisperauto-detectado
--lang CODEindicación del idioma de transcripciónauto-detect
--no-transcript / --no-ocr / --no-montagesaltar una etapa—
--forcere-ejecutar etapas incluso si están en cachéoff

Ejecuta scripts/video-digest.sh --help para la lista completa.

Cómo funciona

El punto de entrada scripts/video-digest.sh orquesta tres herramientas pequeñas e independientes que también puedes ejecutar por separado:

EtapaScriptMotor
Montajesscripts/montage.shfiltro tile de ffmpeg
Texto en pantallascripts/ocr.sh (+ ocr_vision.swift)Vision de macOS (por defecto) o tesseract
Transcripciónscripts/transcribe.pyfaster-whisper

Cada etapa es reanudable — el trabajo completado se marca como .done / se almacena en caché y se omite en re-ejecuciones a menos que pases --force. El resumen siempre se reconstruye a partir de las etapas presentes, por lo que las ejecuciones parciales siguen produciendo un archivo útil.

La selección del motor OCR es automática: en macOS usa el framework Vision integrado (sin instalación, en el dispositivo), en caso contrario tesseract si está presente, y si no, omite OCR con una advertencia. Consulta references/setup.md para instalar motores opcionales y references/output-format.md para el diseño exacto de la salida.

Errores comunes

  • Transcripción vacía → faster-whisper no está instalado en el intérprete que se está usando. Ejecuta scripts/check-deps.sh, luego pip install faster-whisper, o apunta a un entorno existente con --whisper-python /ruta/a/python.
  • Sin texto en pantalla en Linux → instala tesseract (apt install tesseract-ocr); el motor Vision es solo para macOS.
  • Cantidad enorme de montajes en clips cortos → reduce --montage-frames (p. ej. 30).
  • Idioma de transcripción incorrecto → pasa --lang (p. ej. --lang es), o usa un modelo que no sea .en para audio multilingüe.

Ejemplo

examples/sample-digest/ contiene un clip generado pequeño y el digest.md que produce — transcripción, una URL detectada, un @handle, y una hoja de montaje. Reprodúcelo con (la línea de transcripción necesita tener faster-whisper instalado):

scripts/video-digest.sh --montage-frames 9 examples/sample-digest/sample.mp4

Skills relacionados