Communitygithub.com

wendy7756/AI-Video-Transcriber

YouTube、TikTok、Bilibili、Apple Podcasts、SoundCloud など30以上のプラットフォームの動画やポッドキャストのURL、またはローカルのメディア/.txtファイルから文字起こしと要約を実行します。

AI-Video-Transcriber とは?

このスキルは、動画やポッドキャストのURL(YouTube、TikTok、Bilibili、Apple Podcasts、SoundCloudなど30以上のプラットフォーム対応)またはローカルファイル(メディアファイルや.txt)から、文字起こし、要約、翻訳を行います。また、元の動画をダウンロードする機能も提供します。内部では、可能な場合はプラットフォームの字幕を利用し、フォールバックとしてローカルのWhisperモデルを使用して高精度な文字起こしを実現します。その後、LLM(OpenAI互換API)を使って最適化、翻訳、要約を実行します。結果はJSON形式で出力され、タイトル、文字起こし、要約、翻訳のファイルパスが含まれます。特に、音声がない動画を検出した場合は`no_speech`フラグを設定し、誤った内容を生成しないようにしています。Claude Code、Cursor、CodexなどのAIエージェント環境で、ユーザーから「文字起こしして」「この動画を要約して」「トランスクリプトを取得して」といったトリガーワードを受け取り、自動的に処理を開始します。

対応~Claude Code✓Codex CLI~Cursor
npx skills add https://github.com/wendy7756/AI-Video-Transcriber/tree/HEAD/skills/video-transcribe

お気に入りのAIに質問する

このエージェントスキルを事前に読み込んだ状態で新しいチャットを開きます。

ドキュメント

動画文字起こし

このリポジトリのパイプラインをヘッドレスで実行します:プラットフォームの字幕が利用可能な場合はそれを秒単位で取得し、フォールバックとしてローカルのWhisperを使用し、最適化→翻訳→要約を実行します。

実行前の確認

コマンドはAI Video Transcriberリポジトリのルートから実行する必要があり、プロジェクトの仮想環境とffmpegが必要です。セッションごとに一度確認してください:

ls venv/bin/python && command -v ffmpeg
  • 仮想環境がない場合:./install.shを実行するか、python3 -m venv venv && venv/bin/pip install -r requirements.txtを実行してください。
  • ffmpegがない場合:まずインストールしてください(macOSではbrew install ffmpeg、Debian/Ubuntuではsudo apt install ffmpeg)。ffmpegがないと音声抽出に失敗するため、インストールせずに進めないでください。

実行方法

venv/bin/python transcribe.py "<URLまたはファイルパス>" --json

常に--jsonを指定してください:機械可読な出力がstdoutに、進行状況のメッセージがstderrに出力されます。ログ行をスクレイピングする代わりにJSONをパースしてください。

便利なフラグ:

フラグ使用タイミング
-l, --summary-language <コード>要約の言語:en、zh、es、fr、de、it、pt、ru、ja、ko、ar。デフォルトはen
--no-llmAPIキーが利用できない場合、またはユーザーが生の文字起こしのみを必要とする場合。最適化/翻訳/要約をスキップします
--no-videoユーザーが元の動画を保持する必要がない場合
--whisper-model small速度よりも精度が重要な場合。tinyからlargeまで、デフォルトはbase
-o <dir>Markdownを./temp以外の場所に書き出す場合

LLMステップには、OPENAI_API_KEYを介したOpenAI互換のキーと、オプションでOPENAI_BASE_URLが必要です。これがない場合でもパイプラインは文字起こしを行いますが、基本的なフォーマットにフォールバックします。ユーザーが文字起こしのみを必要とする場合は、--no-llmを使用することを推奨します。

プロバイダー設定:

export OPENAI_API_KEY="your_api_key_here"
export OPENAI_BASE_URL="https://openrouter.ai/api/v1"
export OPENAI_TRANSLATION_MODEL="gpt-4o"  # オプション

1回限りの実行では、transcribe.pyは--api-key、--base-url、--modelも受け付けます。APIキーがシェル履歴に残らないよう、可能な限り環境変数を使用することを推奨します。

結果の読み方

{
  "title": "...",
  "no_speech": false,
  "detected_language": "en",
  "files": { "raw": "...", "transcript": "...", "summary": "...", "translation": "..." },
  "media": { "path": "...", "kind": "video", "size_bytes": 2243691 }
}

transcriptとsummaryのパスを読み取ってコンテンツを取得してください。translationは、ソース言語と要約言語が異なる場合にのみ存在します。

重要:no_speech

"no_speech": trueの場合、ソースに音声が含まれていません。文字起こし、要約、翻訳はありません。パイプラインは意図的にLLMをスキップし、内容が捏造されるのを防ぎます。

これが表示された場合、ユーザーに動画に音声がないことを伝えてください。内容を推測したり、タイトルから推測したり、動画が何を言っているかを説明したりしないでください。

エラーモード

  • 終了コード 2:不正な入力(ファイルが見つからない、サポートされていない拡張子、空のテキストファイルなど)。メッセージを報告し、引数を修正してください。
  • 終了コード 1:ダウンロード/トランスコードの失敗。通常は到達不能なURL、地域制限/プライベート動画、またはffmpegの欠落が原因です。実際のエラーを報告してください。
  • 初回実行時はWhisperの重みをダウンロードするため、1分間停止しているように見えることがあります。
  • Whisperモードでは長い動画の処理が遅くなります。プラットフォームの字幕が利用できない場合は、開始前にユーザーに警告してください。

関連スキル