watch — 動画を最初から最後まで視聴する

watch — Claude が動画を最初から最後まで視聴する

動画を、Claude がネイティブに読み取れるものに分割します：フレーム画像（Read ツールで視覚認識）+ 文字起こし（テキスト）。その結果、単なる言葉だけでなく、画面上で何が起きているのかも理解できます。

バイリンガル対応。 これは英語版です。ロシア語版は SKILL.ru.md にあります。 ユーザーが使用する言語で動作します。ワークフローとコマンドは同一です。

依存関係（install.sh で一度インストール）

確認方法：command -v yt-dlp ffmpeg whisper node

• yt-dlp → ~/.local/bin/yt-dlp（~/.local/python312 以下の Python 3.12 で動作。システムの Python は通常古すぎるため。最近の yt-dlp リリースは Python 3.10+ が必要）
• ffmpeg → imageio-ffmpeg から、~/.local/bin/ffmpeg にシンボリックリンク
• whisper → openai-whisper（システム Python 下。モデルは初回使用時にダウンロード）
• node → ~/.local/node（v24）— YouTube の防御機構を突破するために必要

YouTube の場合、install.sh は以下もセットアップします：

• POトークンプロバイダー（bgutil）。~/.local/bgutil-pot/server/build/ 以下にスクリプトモードでビルド
• Node.js ランタイム + EJS コンポーネント。YouTube の n-challenge を解決するため
• ログイン済み YouTube アカウントの Cookie。~/.config/watch/cookies.txt に保存

Cookie が古くなった場合（YouTube が再び「ボットではありません」確認を求めてきた場合）、ユーザーに「Get cookies.txt LOCALLY」などのブラウザ拡張機能で cookies.txt を再エクスポートし、~/.config/watch/cookies.txt に配置するよう依頼してください。

ダウンロードは必ずラッパースクリプト bash ~/.claude/skills/watch/yt.sh … を介して行ってください。このスクリプトは自動的に適切な YouTube フラグを追加します。直接 mp4/Loom/Zoom URL の場合、余分なフラグは無害です。

ワークフロー

1. セットアップ

• 作業用フォルダを作成：mkdir -p /tmp/watch/<slug>（slug は URL/トピックから短い名前を付ける）
• URL（YouTube / Loom / Zoom 共有リンク / 直接動画ファイル）を解析。ローカルファイルの場合はダウンロード手順をスキップし、直接作業します。

2. 文字起こし — 字幕を優先（利用可能な場合、無料）

bash ~/.claude/skills/watch/yt.sh --write-subs --write-auto-subs --sub-langs "en,ru" \
  --skip-download --convert-subs srt -o "/tmp/watch/<slug>/subs.%(ext)s" "<URL>"

.srt ファイルが生成された場合、タイムスタンプ付きの文字起こしとしてすぐに使用できます。

3. 動画のダウンロード（フレーム抽出と Whisper フォールバックの両方に必要）

bash ~/.claude/skills/watch/yt.sh -f "bv*[height<=480]+ba/b[height<=480]/18/best" \
  -o "/tmp/watch/<slug>/video.%(ext)s" "<URL>"

.mp4 または .webm がダウンロードされます。以降は実際のファイル名（video.*）を使用します。 字幕がなかった場合、Whisper で音声を文字起こし（モデル small；base は簡易テスト用で高速）：

whisper "/tmp/watch/<slug>/video.webm" --model small --language en \
  --output_format srt --output_dir "/tmp/watch/<slug>/"

初回実行時はモデルをダウンロードします（small で約 460 MB）— 正常な動作で、一度だけです。英語以外の音声の場合は --language en を削除するか、適切な言語コードを指定してください。Whisper は低速です：34分のクリップで数分かかります — バックグラウンドで実行してください。

4. シーンチェンジによるフレーム抽出（重要な手順 — タイマーではありません）

ffmpeg -i "/tmp/watch/<slug>/video.webm" -vf "select='gt(scene,0.3)',showinfo" \
  -vsync vfr "/tmp/watch/<slug>/frames/frame_%04d.png" 2> "/tmp/watch/<slug>/scenes.log"

• 閾値 0.3 — 0.2～0.4 でシーンの密度を調整（閾値が低いほど多くのフレームが抽出される）
• scenes.log 内の showinfo ログから各フレームのタイムスタンプ（pts_time）を取得
• フレームが多すぎる場合（長い動画）、最も情報量の多い約 60～150 枚に絞り込み、時間的に近いフレームを間引く。長い動画のデコードには時間がかかるため、バックグラウンドで実行してください。

フォールバック — シーンが少なすぎる場合（0～2フレーム）。 なめらかでカットのない映像（連続した単一ショット、ドローン映像、トーキングヘッド）はシーンチェンジがほとんど発生しません。その場合は、代わりに固定間隔でサンプリングします：

ffmpeg -i "/tmp/watch/<slug>/video.webm" -vf "fps=1/5,scale=960:-1,showinfo" \
  -vsync vfr "/tmp/watch/<slug>/frames/frame_%04d.png" 2> "/tmp/watch/<slug>/scenes.log"

間隔（1/5 = 5秒に1フレーム）を動画の長さに合わせて調整し、フレーム数が約 150 枚になるようにしてください。i 番目のフレームのタイムスタンプ = i × 間隔です。

4a. YouTube：なぜすべてが yt.sh を経由するのか

YouTube（2025年以降）では、以下の3つすべてが同時に必要です。そうしないと HTTP 403 / 「ボットではありません」 / 「画像のみ」が発生します：

1. ログイン済みアカウントの Cookie（~/.config/watch/cookies.txt）
2. POトークン（Proof-of-Origin）— bgutil によってローカル生成（スクリプトモード、Node）
3. n-challenge の解決 — Node ランタイム + EJS コンポーネント（--remote-components ejs:github） これらはすべて yt.sh に組み込まれています — 単にそれを呼び出すだけです。直接 mp4/Loom/Zoom ソースにはこれらの防御機構はありません。再度「ボットではありません」確認を求められた場合、Cookie が古くなっています — 新しい cookies.txt を依頼してください。

5. 分析

• 文字起こし（.srt）を読む
• 抽出されたフレームを（Read ツールによる視覚認識で）見る：スライド、コード、デモ、グラフィック
• タイムスタンプを使って視覚情報と文字起こしを結びつける

6. レポート

以下を提供：

• TL;DR（3～5行）
• タイムスタンプ付きの主要概念
• テキストにはないが画面上に表示されているもの（グラフ、UI、デモ）
• タイムスタンプ付きの注目すべき瞬間／引用

7. ナレッジベースへの保存（事前に確認）

確認する：「この分析をナレッジベース（Obsidian）に保存しますか？」「はい」の場合、関連ノートへのリンクを含むマークダウンノートを適切なフォルダに書き込む。確認なしでは保存しないでください。

ルール

• 作業ファイルは一時フォルダ /tmp/watch/<slug> に置く — プロジェクトを散らかさないこと
• 明示的なリクエストなしに外部に公開・送信しないこと
• ログインが必要なプライベート動画はバイパスせず、代わりにユーザーにその旨を伝えること