video-captioner — アニメーションキャプションパイプライン
Whisperで音声を文字起こしし、単語ごとにアニメーションするキャプションを動画に焼き付けます。色補正は行いません。視覚的な強調が必要な場合は、最初に video-enhancer スキルを使用してください。
パイプライン
入力動画 → Whisper文字起こし → pycaps字幕レンダリング → キャプション付き出力動画
キャプションスタイル
3つのオプションがあります:
- デフォルト(フラグなし) — pycaps組み込みのミニマルスタイル: 白いテキスト、エフェクトなし。
- 未来的(バンドル) —
--css scripts/futuristic.css— 金とマゼンタが交互に表示されるキャプションで、グローエフェクトと等幅フォントを使用。tech系、ゲーム、ハイエナジーなコンテンツに適しています。 - カスタム — ユーザーは
--css /path/to/custom.cssで任意のCSSファイルパスを指定できます。
ユーザーがキャプションスタイルに言及していない場合は、デフォルトの見た目、未来的なスタイル、またはカスタムCSSファイルのいずれを希望するか尋ねてください。
静的キャプション
音声を文字起こしする代わりに、--caption を使用して特定のタイムスタンプに定義済みテキストを追加します:
--caption "開始-終了: テキスト"
フォーマット:
- 時刻は
M:SSまたはMM:SS形式(例:0:05= 5秒,1:30= 90秒) - 複数のキャプション:
--captionを複数回使用 - 静的キャプションと文字起こしの両方が指定された場合、静的キャプションが優先されます
例:
uv run python scripts/caption_service.py \
--input ./input --output ./output \
--caption "0:01-0:05: Hello world" \
--caption "0:10-0:20: これはデモです" \
--css scripts/futuristic.css
キャプションスタイリング
スタイリングは JSON設定ファイル で管理します。静的キャプションを使用する場合、スタイリングは自動的に適用されます。
デフォルトスタイリング
--style-config が指定されていない場合、config.default.json が使用されます:
- 背景: 白 (
#FFFFFF) - テキスト色: 青 (
#0066FF) - フォント:
auto— 最初にcaptionタグが付いた利用可能なブランドフォントを使用し、なければCourier Newにフォールバック - パディング:
10px 15px - マージン:
0
スタイル設定の使用
設定ファイルを渡すことでスタイルを切り替えます:
# ダークモードスタイルを使用
uv run python scripts/caption_service.py \
--input ./input --output ./output \
--caption "0:01-0:05: Hello" \
--style-config config.dark-mode.json
含まれている設定:
config.default.json— 白背景、青文字、Courier New(デフォルト)config.dark-mode.json— 暗い背景、白文字、大きいフォント
カスタムスタイル設定の作成
config.default.json をコピーして変更:
{
"caption_bg_color": "#000000",
"caption_color": "#FFFFFF",
"caption_font": "auto",
"caption_font_tag": "caption",
"caption_padding": "20px 30px",
"caption_margin": "10px",
"caption_font_size": 48
}
そして使用:
uv run python scripts/caption_service.py \
--input ./input --output ./output \
--caption "0:01-0:05: テキスト" \
--style-config my-custom-style.json
CLIフラグで設定を上書き
CLIフラグは設定ファイルの値より優先されます:
uv run python scripts/caption_service.py \
--input ./input --output ./output \
--caption "0:01-0:05: Hello" \
--style-config config.dark-mode.json \
--caption-color "#00FF00" # 設定ファイルのテキスト色を上書き
スタイル設定リファレンス
| キー | 型 | 説明 |
|---|---|---|
caption_bg_color | string | 背景色(16進数またはCSS色名) |
caption_color | string | テキスト色(16進数またはCSS色名) |
caption_font | string | auto、フォントファミリー、または .ttf、.otf、.woff、.woff2 ファイルへのパス |
caption_font_tag | string または null | brand-manager から優先するブランドフォントタグ(caption、body、heading など) |
caption_padding | string | CSSパディング(例: "10px 15px") |
caption_margin | string | CSSマージン(例: "0") |
caption_font_size | integer または null | フォントサイズ(ピクセル単位、null = 自動スケール) |
利用可能なフォント
システムフォントは名前で指定できます:
DejaVu Sans/DejaVu Sans Bold/DejaVu SerifLiberation Sans/ Liberation Mono`Courier NewUbuntu Mono- TTFファイルへのパス:
/path/to/font.ttf
または、skills/brand-manager/brand-assets/asset-manifest.json のブランドフォントから選択します。
caption_font が auto の場合、スキルはブランドマニフェスト(または設定されていれば CLAW_BRAND_ASSETS_DIR)を読み取り、caption_font_tag でタグ付けされた最初の利用可能なフォントを使用します。タグ付けされたフォントがない場合、caption、body、heading、または bold のタグが付いたブランドフォントを試し、それもなければCourier Newにフォールバックします。解決されたブランドフォントがファイルパスの場合、生成されるCSSに @font-face ルールが含まれ、pycapsがそれをレンダリングできるようになります。
実行方法
依存関係をインストール(初回のみ):
cd "$SKILL_DIR" && uv sync
注: 初回実行は(数分かかる可能性があり)遅くなります。これはpycapsがWhisper音声認識モデルをダウンロードするためです。開始前にユーザーに警告してください。
その後、動画を処理:
cd "$SKILL_DIR" && uv run python scripts/caption_service.py \
--input <path/to/input> \
--output <path/to/output> \
[--css scripts/futuristic.css]
一般的な呼び出し方
# デフォルトのミニマルキャプション(Whisper文字起こし)
uv run python scripts/caption_service.py --input ./input --output ./output
# 未来的スタイル
uv run python scripts/caption_service.py \
--input ./input --output ./output \
--css scripts/futuristic.css
# カスタムCSS
uv run python scripts/caption_service.py \
--input ./input --output ./output \
--css /path/to/my.css
# デフォルトスタイリングの静的キャプション(白背景、青文字、Courier New)
uv run python scripts/caption_service.py \
--input ./input --output ./output \
--caption "0:01-0:05: チャンネル登録お願いします" \
--caption "0:10-0:15: Instagramもフォローしてね"
# ダークモードスタイルの静的キャプション
uv run python scripts/caption_service.py \
--input ./input --output ./output \
--caption "0:01-0:05: Hello world" \
--caption "0:10-0:20: これはデモです" \
--style-config config.dark-mode.json
# カスタムスタイル設定の静的キャプション
uv run python scripts/caption_service.py \
--input ./input --output ./output \
--caption "0:01-0:05: カスタムテキスト" \
--style-config my-custom-style.json
# CLIフラグで上書きする静的キャプション
uv run python scripts/caption_service.py \
--input ./input --output ./output \
--caption "0:01-0:05: Hello" \
--style-config config.dark-mode.json \
--caption-color "#00FF00"
# ウォッチモード(10秒ごとに新しい動画をポーリング)
uv run python scripts/caption_service.py --input ./input --output ./output --watch
実行後
ユーザーに報告:
- 正常に処理された動画の数と失敗した動画の数。
- 出力ディレクトリのフルパス。
- 失敗した動画がある場合は、その名前を明示的に挙げてください。
エッジケース
ffmpegがインストールされていない場合: インストールするようユーザーに指示(Arch/CachyOSではsudo pacman -S ffmpeg、macOSではbrew install ffmpeg、Ubuntuではsudo apt install ffmpeg)uvがインストールされていない場合: https://docs.astral.sh/uv/getting-started/installation/ に誘導- 入力ディレクトリが空の場合: 静かに終了するのではなく、明確に報告
- 初回実行ではWhisperモデルをダウンロード(
tinyで約140 MB、largeで約1.5 GB)— これは一度だけです
リモート文字起こし
このスキルは、pycapsレンダリングはローカルのまま、オプションのリモート文字起こしをサポートしています。
- デフォルトの動作は完全にローカル: pycaps内のWhisper文字起こし + ローカルレンダリング
- リモートモードは文字起こしステップのみを置き換えます
- キャプションレンダリング、テンプレート、CSS処理はローカルのまま
サポートされているプロバイダー
huggingfacereplicate
設定 / CLIキー
| キー | デフォルト | 備考 |
|---|---|---|
transcription_provider | null | null はローカルのWhisper-in-pycapsフローを維持 |
remote_model | null | オプションのプロバイダー固有の文字起こしモデル上書き |
hf_token_env | HF_TOKEN | HuggingFace認証環境変数名 |
replicate_api_key_env | REPLICATE_API_TOKEN | Replicate認証環境変数名 |
remote_timeout_seconds | 300 | リモート呼び出しタイムアウト |
例
# HuggingFaceリモート文字起こし + ローカルpycapsレンダリング
export HF_TOKEN=hf_your_token
uv run python scripts/caption_service.py --input ./input --output ./output --transcription-provider huggingface
# Replicateリモート文字起こし + ローカルpycapsレンダリング
export REPLICATE_API_TOKEN=r8_your_token
uv run python scripts/caption_service.py --input ./input --output ./output --transcription-provider replicate --remote-model <replicate-model-slug>
注意
- リモート認証/設定がない場合、ローカルモードへのサイレントフォールバックはありません
- 既存のローカルCLIの使用法は引き続き有効です
--transcription-providerを設定しない場合、pycapsは組み込みのWhisperフローを引き続き使用します