Communitygithub.com

runesleo/x-reader

Transcribe y resume enlaces de video o podcast, incluyendo YouTube, Bilibili, X video, Xiaoyuzhou, Apple Podcasts y URLs de medios directos.

¿Qué es x-reader?

Esta habilidad está diseñada para agentes de IA que necesitan procesar contenido multimedia a partir de enlaces. Al enviar un enlace de video o podcast, el agente automáticamente detecta la plataforma (YouTube, Bilibili, X/Twitter, Xiaoyuzhou, Apple Podcasts o archivos directos como mp3/mp4) y ejecuta un pipeline de transcripción y resumen. Primero intenta extraer subtítulos (si están disponibles), o descarga el audio y lo transcribe usando el modelo Whisper de Groq (requiere clave API). Luego genera un resumen estructurado con secciones como descripción general, puntos clave, citas destacadas y acciones recomendadas, adaptando el formato según sea video corto o podcast largo. Soporta múltiples plataformas, maneja audios grandes dividiéndolos en segmentos de 10 minutos, e incluye manejo de errores detallado para límites de API, bloqueo de bots y formatos no soportados.

Compatible con~Claude Code✓Codex CLI~Cursor
npx skills add https://github.com/runesleo/x-reader/tree/HEAD/skills/video

Preguntar en tu IA favorita

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

Documentación

Habilidad de Resumen de Video y Podcast

Envía un enlace de video/podcast → obtén transcripción completa + resumen estructurado

Plataformas Soportadas

PlataformaTipoSubtítulosTranscripción Whisper
YouTubeVideo✅✅
BilibiliVideo✅✅
X/TwitterVideo❌✅
Xiaoyuzhou (小宇宙)Podcast❌✅
Apple PodcastsPodcast❌✅
Enlaces directos (mp3/mp4/m3u8)Cualquiera❌✅

Activación

Se activa automáticamente cuando se detecta una URL de medios:

  • YouTube: youtube.com, youtu.be
  • Bilibili: bilibili.com, b23.tv
  • X/Twitter: x.com, twitter.com (tweets con video)
  • Xiaoyuzhou: xiaoyuzhoufm.com
  • Apple Podcasts: podcasts.apple.com
  • Directo: .mp3, .mp4, .m3u8, .m4a, .webm

Pipeline

Paso 0: Detectar Tipo de Medio

Patrón de URLTipoPipeline
xiaoyuzhoufm.com/episode/Podcast→ Paso 1b (Xiaoyuzhou)
podcasts.apple.comPodcast→ Paso 1c (Apple)
bilibili.com, b23.tvVideo→ Paso 1d (API de Bilibili)
.mp3, .m4a enlace directoAudio→ Paso 2b (descarga directa)
OtroVideo→ Paso 1a (extracción de subtítulos)

Paso 1a: Video — Extraer Subtítulos

# Limpiar archivos temporales
rm -f /tmp/media_sub*.vtt /tmp/media_audio.mp3 /tmp/media_transcript*.json /tmp/media_segment_*.mp3 2>/dev/null || true

# YouTube (preferir inglés, fallback chino)
yt-dlp --skip-download --write-auto-sub --sub-lang "en,zh-Hans" -o "/tmp/media_sub" "VIDEO_URL"

# Bilibili
yt-dlp --skip-download --write-auto-sub --sub-lang "zh-Hans,zh" -o "/tmp/media_sub" "VIDEO_URL"

Verificar subtítulos:

ls /tmp/media_sub*.vtt 2>/dev/null
  • Tiene subtítulos → Leer contenido VTT, saltar al Paso 3
  • Sin subtítulos → Paso 2a (descargar audio)

Paso 1b: Xiaoyuzhou (小宇宙) — Extraer URL de Audio

# Extraer enlace directo CDN desde __NEXT_DATA__
# Xiaoyuzhou es una SPA de Next.js, pero el HTML inicial contiene la URL de audio en __NEXT_DATA__
AUDIO_URL=$(curl -sL -H "User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36" \
  "EPISODE_URL" \
  | grep -oE 'https://media\.xyzcdn\.net/[^"]+\.(m4a|mp3)' \
  | head -1)

echo "Audio URL: $AUDIO_URL"

# Descargar audio
curl -L -o /tmp/media_audio.mp3 "$AUDIO_URL"

Si la extracción con curl está vacía (raro), fallback: usar Puppeteer/navegador para obtener la página renderizada y extraer.

→ Paso 2b (verificar tamaño y transcribir)

Paso 1c: Apple Podcasts — mediante yt-dlp

yt-dlp -f "ba[ext=m4a]/ba/b" --extract-audio --audio-format mp3 --audio-quality 5 \
  -o "/tmp/media_audio.%(ext)s" "APPLE_PODCAST_URL"

→ Paso 2b (verificar tamaño y transcribir)

Paso 1d: Bilibili — API de Audio Directo

yt-dlp devuelve 412 para Bilibili incluso con cookies. Usar la API de Bilibili en su lugar:

# 1. Extraer número BV de la URL
BV="BV1xxxxx"  # Reemplazar con el BV real

# 2. Obtener info del video (título, duración, CID)
curl -s "https://api.bilibili.com/x/web-interface/view?bvid=$BV" \
  -H "User-Agent: Mozilla/5.0" -H "Referer: https://www.bilibili.com/" \
  | python3 -c "import json,sys; d=json.load(sys.stdin)['data']; print(f\"Title: {d['title']}\nDuration: {d['duration']}s\nCID: {d['cid']}\")"

# 3. Obtener URL del stream de audio
CID=<CID del paso anterior>
AUDIO_URL=$(curl -s "https://api.bilibili.com/x/player/playurl?bvid=$BV&cid=$CID&fnval=16&qn=64" \
  -H "User-Agent: Mozilla/5.0" -H "Referer: https://www.bilibili.com/" \
  | python3 -c "import json,sys; print(json.load(sys.stdin)['data']['dash']['audio'][0]['baseUrl'])")

# 4. Descargar audio (se requiere cabecera Referer, de lo contrario 403)
curl -L -o /tmp/media_audio.m4s \
  -H "User-Agent: Mozilla/5.0" -H "Referer: https://www.bilibili.com/" "$AUDIO_URL"

# 5. Convertir a mp3
ffmpeg -y -i /tmp/media_audio.m4s -acodec libmp3lame -q:a 5 /tmp/media_audio.mp3

→ Paso 2b (verificar tamaño y transcribir)

Paso 2a: Video — Descargar Audio (cuando no hay subtítulos)

# YouTube puede necesitar --cookies-from-browser chrome para evitar detección de bots
yt-dlp --cookies-from-browser chrome -f "ba[ext=m4a]/ba/b" --extract-audio --audio-format mp3 --audio-quality 5 \
  -o "/tmp/media_audio.%(ext)s" "VIDEO_URL"

Paso 2b: Verificar Tamaño de Audio y Segmentar

FILE_SIZE=$(stat -f%z /tmp/media_audio.* 2>/dev/null || stat -c%s /tmp/media_audio.* 2>/dev/null)
echo "File size: $FILE_SIZE bytes"
  • ≤ 25MB (25000000) → Paso 2c (transcribir directamente)
  • > 25MB → Dividir primero, luego transcribir cada segmento

Dividir audio grande (>25MB):

# Obtener duración total
DURATION=$(ffprobe -v error -show_entries format=duration -of csv=p=0 /tmp/media_audio.* | head -1)

# Dividir en segmentos de 10 minutos (cada uno se mantiene por debajo de 25MB)
SEGMENT_SEC=600
SEGMENTS=$(python3 -c "import math; print(math.ceil(float('$DURATION')/$SEGMENT_SEC))")

# Cortar segmentos
for i in $(seq 0 $((SEGMENTS-1))); do
  START=$((i * SEGMENT_SEC))
  ffmpeg -y -i /tmp/media_audio.* -ss $START -t $SEGMENT_SEC -acodec libmp3lame -q:a 5 \
    "/tmp/media_segment_${i}.mp3" 2>/dev/null
done

→ Llamar al Paso 2c para cada segmento secuencialmente (el paralelismo provoca timeout 524 de Groq), concatenar resultados

Paso 2c: Transcripción Whisper

Requisito previo: variable de entorno GROQ_API_KEY

# Verificar clave API
if [ -z "$GROQ_API_KEY" ]; then
  echo "❌ GROQ_API_KEY no está configurada. Obtén una en: https://console.groq.com/keys"
  exit 1
fi

# Transcribir archivo único (reemplazar AUDIO_FILE con la ruta real)
curl -s -X POST "https://api.groq.com/openai/v1/audio/transcriptions" \
  -H "Authorization: Bearer $GROQ_API_KEY" \
  -H "Content-Type: multipart/form-data" \
  -F "file=@AUDIO_FILE" \
  -F "model=whisper-large-v3-turbo" \
  -F "response_format=verbose_json" \
  -F "language=zh" \
  > /tmp/media_transcript.json

# Extraer texto plano
python3 -c "import json; print(json.load(open('/tmp/media_transcript.json'))['text'])"

Opciones del modelo Whisper:

ModeloVelocidadPrecisiónCaso de Uso
whisper-large-v3-turbo10x tiempo realAltaOpción por defecto
whisper-large-v35x tiempo realMáximaContenido profesional/ruidoso

Parámetro de idioma:

  • Chino: language=zh
  • Inglés: language=en
  • Detección automática: omitir el parámetro de idioma

Paso 3: Resumen Estructurado

Elegir formato de salida según el tipo de medio:

Video (≤20 min):

  1. Resumen General (1-2 oraciones)
  2. Puntos Clave (3-5 viñetas)
  3. Citas Destacadas (si las hay)
  4. Acciones a Seguir (si aplica)

Podcast (>20 min):

  1. Resumen General (2-3 oraciones: quién habló de qué)
  2. Resumen por Capítulos (segmentado por tema, 2-3 oraciones cada uno)
  3. Puntos Clave (5-8 viñetas)
  4. Citas Destacadas
  5. Acciones a Seguir (si aplica)

Formato de Salida

Video

## 📺 Resumen de Video

**Título**: [Título del Video]
**Duración**: [x minutos]
**Idioma**: [Chino/Inglés]

### Resumen General
[Resumen de 1-2 oraciones]

### Puntos Clave
1. [Punto 1]
2. [Punto 2]
...

### Citas Destacadas
> "xxx" — [marca de tiempo]

### Acciones a Seguir
- [si aplica]

Podcast

## 🎙️ Resumen de Podcast

**Programa**: [Nombre del Podcast]
**Episodio**: [Título del Episodio]
**Duración**: [x minutos]
**Invitados**: [si los hay]

### Resumen General
[2-3 oraciones: quién habló de qué, conclusiones principales]

### Resumen por Capítulos
#### 1. [Tema] (~xx:xx-xx:xx)
[2-3 oraciones de contenido principal]

#### 2. [Tema] (~xx:xx-xx:xx)
[2-3 oraciones de contenido principal]
...

### Puntos Clave
1. [Punto 1]
2. [Punto 2]
...

### Citas Destacadas
> "xxx"

### Acciones a Seguir
- [si aplica]

Manejo de Errores

SituaciónAcción
Sin subtítulos + sin GROQ_API_KEYSolicitar al usuario que configure la clave API
Sin subtítulos + con clave APITranscripción automática con Whisper
Extracción Xiaoyuzhou con curl vacíaUsar Puppeteer/navegador para obtener HTML renderizado
Audio >25MBSegmentar con ffmpeg (10min/segmento), transcribir secuencialmente
Podcast >2 horasAdvertir al usuario sobre la duración, confirmar antes de continuar
Timeout 524 de GroqNO paralelizar — transcribir secuencialmente, esperar 5-8s entre segmentos
Límite de tasa 429 de GroqLímite de 7200s/hora, esperar cabecera retry-after, luego reintentar
Bilibili 412 de yt-dlpUsar API de Bilibili en su lugar (Paso 1d)
Detección de bot en YouTube de yt-dlpAñadir --cookies-from-browser chrome
Timeout de redReintentar una vez
Enlaces de SpotifyInformar al usuario: no soportado (protegido por DRM)

Límites de Groq Whisper

  • Máximo 25MB por solicitud
  • Nivel gratuito: 7200 segundos de audio/hora (ventana móvil), ~20 horas/día
  • Formatos soportados: mp3, mp4, mpeg, mpga, m4a, wav, webm

Dependencias

  • yt-dlp: descarga de video + extracción de subtítulos
  • ffmpeg: conversión de audio + segmentación
  • curl: descarga de audio Xiaoyuzhou, API de Bilibili
  • GROQ_API_KEY: API de transcripción Whisper (gratis en https://console.groq.com/keys)

Skills relacionados