Extractor de Contenido de Video
Resumen
Extrae automáticamente fotogramas clave de archivos de video MP4 en intervalos de tiempo configurables, realiza reconocimiento de texto OCR en cada fotograma y genera un informe Markdown estructurado. El informe incluye metadatos del video (duración, resolución, códecs) y transcripciones OCR fotograma por fotograma con referencias de tiempo.
Esta habilidad está diseñada para Codex CLI y requiere FFmpeg y Tesseract OCR instalados en la máquina local.
Cuándo Usar Esta Habilidad
- Úsala cuando necesites extraer contenido textual de presentaciones de video, conferencias o screencasts.
- Úsala cuando quieras crear transcripciones buscables a partir de archivos de video sin subtítulos incrustados.
- Úsala cuando necesites analizar contenido de video de forma programática y generar resúmenes estructurados.
- Úsala cuando el usuario pida "leer lo que está en pantalla" o "extraer el contenido de este video".
Cómo Funciona
Paso 1: Analizar Metadatos del Video
La habilidad usa ffprobe para extraer los metadatos del video: duración, resolución, tasa de fotogramas, información de códecs y tamaño del archivo.
Paso 2: Extraer Fotogramas Clave
Usando FFmpeg, la habilidad captura fotogramas en el intervalo configurado (por defecto: cada 30 segundos). Cada fotograma se guarda como una imagen JPEG con marca de tiempo.
Paso 3: Reconocimiento de Texto OCR
Cada fotograma extraído es procesado por Tesseract OCR. Si el modo PSM predeterminado no devuelve texto significativo, se recurre a la segmentación de página totalmente automática.
Paso 4: Generar Informe Markdown
Todos los datos extraídos se ensamblan en un documento Markdown estructurado.
Ejemplos
Ejemplo 1: Extracción Básica
Instrucción para el agente: Usa la habilidad de extractor de contenido de video para extraer contenido de lecture.mp4
La salida genera lecture.md y el directorio lecture_frames/.
Ejemplo 2: Intervalo Personalizado
Parámetros: video_path, output_dir, interval(seconds), lang Extrae cada 60 segundos con OCR solo en inglés: python scripts/extract_video.py recording.mp4 ./output 60 eng
Ejemplo 3: Contenido Bilingüe
Extrae con OCR predeterminado en chino e inglés: python scripts/extract_video.py lecture.mp4 . 15 chi_sim+eng
Mejores Prácticas
- Usa intervalos más cortos (10-15 s) para contenido rápido con cambios frecuentes de texto.
- Usa intervalos más largos (30-60 s) para diapositivas de presentaciones o conferencias lentas para reducir fotogramas duplicados.
- Para contenido en chino, asegúrate de que el paquete de idioma chino de Tesseract esté instalado (chi_sim).
Limitaciones
- Requiere que FFmpeg y Tesseract OCR estén instalados y accesibles a través del PATH.
- La precisión de Tesseract OCR depende de la calidad del video, el tamaño del texto y la claridad de la fuente.
- No extrae audio ni realiza transcripción de voz a texto.
- La extracción de fotogramas se basa en tiempo (no en cambios de escena), lo que puede producir fotogramas casi duplicados.
- Videos grandes con intervalos cortos pueden generar muchos fotogramas: asegura suficiente espacio en disco.
Notas de Seguridad y Protección
- Esta habilidad solo lee archivos de video y escribe los fotogramas extraídos e informes Markdown.
- NO envía ningún dato a través de la red: todo el procesamiento es local.
- FFmpeg y Tesseract se invocan con argumentos fijos y previamente verificados.
- La habilidad no modifica ni elimina el archivo de video original.
Errores Comunes
-
Problema: Tesseract devuelve texto sin sentido Solución: Asegúrate de que el paquete de idioma correcto esté instalado. Ejecuta tesseract --list-langs para verificar.
-
Problema: FFmpeg falla con "no encontrado" Solución: Asegúrate de que FFmpeg esté en el PATH. Ejecuta ffmpeg -version para verificar.
-
Problema: El OCR es lento en videos grandes Solución: Aumenta el parámetro de intervalo para reducir la cantidad de fotogramas procesados.
Habilidades Relacionadas
- @media-summarizer - Para resumir contenido de video usando señales visuales y de audio.
- @document-ocr - Para OCR en imágenes estáticas o documentos escaneados sin procesamiento de video.