Communitygithub.com

jiawood2006/hermes-skills

Transforme des liens vidéo (Douyin, BiliBili) ou des fichiers locaux en texte, sous-titres et analyses de contenu viral en une seule commande.

Qu'est-ce que hermes-skills ?

Ce skill permet de convertir automatiquement des vidéos en informations textuelles exploitables. En recevant un lien de partage Douyin ou BiliBili, ou un fichier vidéo/audio local, il télécharge la vidéo (si nécessaire), transcrit la parole en texte via un moteur local (faster-whisper) ou cloud optionnel (SenseVoice), et génère des sous-titres (SRT/VTT) avec horodatages précis. Il peut également produire un résumé du contenu et une analyse de la structure virale à l'aide d'un LLM. Le tout s'exécute en local, sans nécessiter de clé API tierce pour la transcription par défaut, garantissant la confidentialité. Le skill est conçu pour la plateforme Hermes et s'installe via une commande unique.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/jiawood2006/hermes-skills/tree/HEAD/skills/video-to-text

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Vidéo-texte — Douyin/vidéo locale → texte → renseignement contenu (boucle fermée en une commande)

Lien de partage Douyin → téléchargement automatique → transcription vocale → Markdown structuré → décomposition du buzz, le tout en une commande. Pas besoin de sauvegarder la vidéo manuellement, pas de clé API tierce, la confidentialité reste sur votre machine (faster-whisper local par défaut).

📁 Installation : hermes skills install jiawood2006/hermes-skills/skills/video-to-text ou ./install.sh (installation en un clic + commande globale vtt) → les scripts se trouvent dans ~/.hermes/skills/utilities/video-to-text/scripts/.

Conditions de déclenchement

Utilisez cette compétence lorsque l'utilisateur envoie :

  • Un lien de partage Douyin (v.douyin.com / www.douyin.com/video/…) avec demande de "transcrire / extraire le texte / décomposer / analyser le buzz / voir le contenu"
  • Un lien BiliBili avec demande de "voir les infos vidéo"
  • Un fichier vidéo local (.mp4/.mov/.m4a) avec demande de "transcription vocale / sous-titres / résumé / analyse"

Procédure d'utilisation

1. Lien Douyin → boucle fermée automatique (comportement par défaut)

# Une commande : métadonnées + téléchargement automatique + transcription locale
python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py "https://v.douyin.com/xxxx/"

# Processus complet + résumé LLM + décomposition de la structure virale
python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py "https://v.douyin.com/xxxx/" --all

# Seulement les métadonnées (pas de téléchargement ni transcription)
python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py "https://v.douyin.com/xxxx/" --meta-only

# Moteur de transcription SenseVoice (plus précis pour le chinois parlé/bruité, nécessite SILICONFLOW_API_KEY, retour automatique au local en cas d'échec)
SILICONFLOW_API_KEY=sk-xxx python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py "https://v.douyin.com/xxxx/" --engine sensevoice

Chaîne technique : curl sur l'URL courte → récupération de l'ID vidéo réel → Playwright écoute l'API aweme/detail pour obtenir les métadonnées et l'URL de lecture sans filigrane → téléchargement automatique → extraction audio → transcription.

2. Fichier vidéo local → transcription + renseignement contenu

python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py video.mp4                 # juste la transcription
python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py video.mp4 --summary       # + résumé du contenu
python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py video.mp4 --analyze       # + décomposition structure virale
python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py video.mp4 --engine sensevoice  # utiliser SenseVoice

3. Lien BiliBili → métadonnées (API publique zéro dépendance)

python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py "https://www.bilibili.com/video/BV1..."

Affiche titre/auteur/durée/vues/likes/description ; pour la transcription, téléchargez d'abord le fichier local.

4. Produits de sortie (Markdown structuré)

Enregistré par défaut sous <titre>_transcript.md, directement exploitable dans Obsidian/base de connaissances :

---
platform: douyin
url: https://v.douyin.com/xxx
title: Titre de la vidéo
author: Nom de l'auteur
duration_s: 42
digg: 12345
date: 2026-09-04
tags: ["sujet1", "sujet2"]
---

# Titre de la vidéo

| Champ | Valeur |
|:---|:---|
| duration_s | 42 |
...

## Transcription complète

[00:00] Bonjour tout le monde, aujourd'hui je vais vous parler…
[00:05] Ce produit…

5. Fichiers de sous-titres (SRT / VTT, avec horodatages réels)

Pour le montage vidéo, l'upload de sous-titres sur YouTube/BiliBili, ou la relecture phrase par phrase, générez directement les fichiers de sous-titres :

# Retranscription + sous-titres SRT (le plus courant)
python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py video.mp4 --subtitles srt

# Génération simultanée SRT et VTT
python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py video.mp4 --subtitles srt,vtt

# Uniquement les sous-titres, pas la retranscription
python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py video.mp4 --format srt
  • Sortie <titre>_transcript.srt (compatible CapCut/Premiere/YouTube) ou .vtt (lecteur web universel)
  • Le chinois est par défaut en simplifié + ponctuation, et découpé par phrases (pas de sous-titre traversant 10 secondes)
  • Seuil de découpage ajustable via variables d'environnement : VTT_MAX_CHARS=18 (caractères par segment), VTT_MAX_DUR=7 (durée max par segment en secondes)

6. Spécifier la langue de transcription

python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py video_anglais.mp4 --asr-lang en

Par défaut zh (mandarin). Les sous-titres chinois reçoivent un prompt supplémentaire pour guider la sortie en simplifié.

7. Analyser une transcription existante

python3 ~/.hermes/skills/utilities/video-to-text/scripts/analyze.py transcription.md --all
  • --summary : résumé en une phrase / points clés / citations marquantes / public cible / éléments à reprendre
  • --analyze : accroche d'ouverture (0-10s) / proportion de la structure rythmique / courbe émotionnelle / arguments de vente / CTA / schémas réutilisables
  • --format txt : sortie texte brut (compatibilité ancien format) ; --out-dir : répertoire de sortie

Validation (autotest après installation)

# Autotest rapide sur fichier local : pas de vidéo ? Utilisez la synthèse vocale macOS
say -v "Ting-Ting" "Bonjour tout le monde, ceci est un test vocal" -o /tmp/t.m4a   # Linux peut sauter
python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py /tmp/t.m4a --out-dir /tmp/vtt_test
# Attendu : /tmp/vtt_test contient *_transcript.md avec le texte "test vocal" à proximité

# Autotest des sous-titres (doit obtenir SRT en simplifié avec ponctuation, découpé par phrases)
python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py /tmp/t.m4a --subtitles srt --out-dir /tmp/vtt_test
# Attendu : /tmp/vtt_test contient *_transcript.srt avec des lignes --> d'horodatage

Dépendances (à installer lors de la première utilisation)

pip3 install faster-whisper        # Transcription locale par défaut (télécharge le modèle tiny ~75MB)
# macOS a avconvert intégré ; Linux nécessite ffmpeg
# L'analyse Douyin nécessite playwright + chromium (utilisé en interne par douyin_extract)
# Le résumé/analyse du contenu nécessite une clé LLM (variable d'environnement LLM_API_KEY ou ~/.deai_writer.conf)
# Moteur SenseVoice optionnel : SILICONFLOW_API_KEY (plateforme SiliconFlow, avec crédit gratuit)

Pièges connus

  • Faux négatif duration_ms=0 : la durée dans les métadonnées SSR peut être 0 alors qu'il s'agit bien d'une vidéo. S'il y a une URL de téléchargement, téléchargez d'abord pour vérifier, ne jugez pas directement comme image/texte.
  • Expiration de l'URL play_addr : l'URL vidéo extraite par SSR peut être 404, auquel cas le téléchargement échoue et l'outil demande de fournir manuellement le fichier (dégradation élégante sans interruption).
  • Contenu image/texte : duration=0 et fichier téléchargé <1MB signifie qu'il s'agit d'image+texte (pas d'audio) ; seules les métadonnées sont produites, aucun contenu n'est inventé.
  • Transcription whisper lente : sur Intel Mac, une vidéo de 3 minutes prend environ 5 minutes ; le réglage language='zh' + VAD pour filtrer le silence est déjà automatique. Pour plus de rapidité/précision, utilisez --engine sensevoice.
  • Chinois par défaut en traditionnel (corrigé) : whisper a tendance à produire du chinois traditionnel et presque sans ponctuation. Ce skill injecte par défaut un initial_prompt pour guider vers le simplifié + ponctuation ; pour personnaliser, définissez la variable d'environnement WHISPER_INITIAL_PROMPT (vide désactive cette guidance).
  • Précision dépend de la taille du modèle : par défaut WHISPER_MODEL=tiny (~75MB, rapide mais erreurs de caractères). Pour une qualité de transcription utilisable, passez à small/medium :
    WHISPER_MODEL=small python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py video.mp4 --subtitles srt
    
    Le modèle est téléchargé la première fois (réseau national : suggestion export HF_ENDPOINT=https://hf-mirror.com).
  • Granularité du découpage des sous-titres réglable : par défaut découpage par ponctuation/18 caractères/7 secondes. Pour des segments plus courts ou plus longs, utilisez VTT_MAX_CHARS et VTT_MAX_DUR.
  • SenseVoice sans horodatage réel : ce moteur ne renvoie pas d'informations temporelles ; la durée est estimée à partir du débit de parole, l'axe temporel des sous-titres est donc indicatif — pour des sous-titres précis, utilisez faster-whisper.
  • Analyse nécessite une clé LLM : --summary/--analyze nécessitent LLM_API_KEY ; sans configuration, seule la transcription est effectuée sans analyse (dégradation élégante sans erreur).

Individual skills in this repo

This repo contains 1 individual skill — each has its own dedicated page.

Skills associés