Communitygithub.com

calypso-podcast-clips

ローカルのポッドキャスト録音をターミナルからレビュー可能な短いクリップに変換します。ステップバイステップの手順、タイムスタンプ付きのローカル文字起こし、エピソードのコンテキスト、ストーリーアーク、候補クリップの選択、アクティブスピーカーのフレーミング、Excalidrawによる解説、またはCalypsoでの縦型動画出力に使用します。

calypso-podcast-clips とは?

Calypsoポッドキャストクリップ(calypso-podcast-clips)は、ローカルのポッドキャスト録音をターミナルから効率的にレビュー可能な短いクリップに変換するAIエージェント用スキルです。このスキルは、Claude Code、Codex、CursorなどのAIエージェントと連携し、録音ファイルの文字起こし、エピソードコンテキストの構築、ストーリーアークの提案、クリップの選択と編集、アクティブスピーカーのフレーミング、Excalidrawを使った図解、そして最終的な縦型動画出力までの一連のワークフローをガイドします。主な特徴として、ローカルのWhisperモデルによる高精度な文字起こし、pyannoteによる話者分離、Yogurtコンテキストを利用したエピソード全体のコンテキストマッピング、そしてCalypso CLIを用いたレンダリングが含まれます。ユーザーの実際のパスを使用したコマンド提供、ステップごとの確認、選択肢の提示と推奨など、インタラクティブで段階的なワークフローを重視しており、AIエージェントが自律的に実行するだけでなく、ユーザーと協調しながら作業を進めることができます。

対応~Claude Code✓Codex CLI~Cursor
npx skills add https://github.com/ashwinrs/calypso/tree/HEAD/.agents/skills/calypso-podcast-clips

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

Calypso ポッドキャストクリップ

リポジトリルートから ./scripts/calypso.py を実行します。CLIの構文とJSONの例については README を参照してください。ソースを保持し、中間ファイルは work/ の下に保存してください。

ガイド付き実行の場合は、一度に1つのアクション可能なステップを提示し、結果を確認する方法を説明してください。ユーザーが自分でステップを実行したい場合は、実際のパスを使用したコマンドを提供してください。ユーザーがCodexに実行を依頼した場合、承認されたCLIステップを実行してください。そのソースについて最新の確認済みアーティファクトから再開してください。

実装前に選択を確認する

ステップに複数の実行可能なアプローチが存在する場合、編集計画、スクリプト、CLIコマンド、またはエクスポートでそのアプローチをコミットする前に、ユーザーに選択を依頼してください。オプションを提示し、一つを推奨し、実際的なトレードオフを説明してください。推奨されるデフォルトは最初に提示するオプションです。クリップについてユーザーが既に確認した選択肢を使用し、未解決の選択に依存する作業のみを一時停止してください。待機中はソースの調査や証拠収集を継続してください。ソースまたはツールの制約により実行可能なパスが1つしかない場合は、先に進む前にその制約を説明してください。

これを文字起こしとコンテキストの方法、ストーリー構造とカット、オーディオとトランジション、不明瞭な場合のスピーカーのターンの特定と処理方法、図の配置とタイミング、およびCalypso CLIを再利用するかカスタム編集スクリプトを作成するかに適用してください。ソースからカットポイントとクロップ境界を確認してください。仮定を必要とするような、不足している入力や未解決の決定事項について尋ねてください。

録音を見つけて文字起こしする

提供されたソースパスを使用するか、録音が不明な場合はそれを尋ねてください。利用可能なオーディオストリームを調査し、ダイアログトラックを選択してください。モデルが利用可能な場合は、Yogurtインスパイアドコンテキストで説明されているローカルのWhisper large-v3-turboとSileroワークフローを推奨します。標準の transcribe コマンドは、設定済みのWhisperモデル、または models/ggml-base.bin ファイルが存在する場合は --model models/ggml-base.bin で動作します。同じソースで品質が十分な確認済みの文字起こしがある場合はそれを再利用してください。JSONに使用可能なダイアログとソース相対のタイムスタンプが含まれていることを確認してください。

CodexサンドボックスでWhisperのMetalバックエンドまたはExcalidrawのChrome起動が失敗した場合は、適切なアクセス権で再試行するか、ユーザーの通常のターミナル用のコマンドを提供してください。失敗した文字起こしがすでに作業ディレクトリを作成している場合は、新しい作業ディレクトリを使用してください。

エピソードコンテキストを構築する

Yogurtインスパイアドコンテキストのローカルノートパスを使用してください。編集を提案する前にエピソード全体をマッピングしてください。トピックとコールバックをタイムスタンプ付きの文字起こし行にリンクしてください。提案された内容、議論された内容、仮説的な内容を保持してください。ノートを文字起こしと照合し、オーディオが混合している場合は話者の属性が不明確なままにしておいてください。意味が画面内の何かに依存する場合は、近くの行を確認し、フレームをサンプリングしてください。

完全なストーリーを提案する

視聴者が得るべきメッセージから始めてください。フックや質問、それを追うための最小限のコンテキスト、説明と落ちを見つけてください。数分にまたがる場合や、答えがずっと後で出てくる場合でも、有望なアークをフラグしてください。ユーザーが異なる構造を要求し、結果の編集が意味を保持する場合を除き、ソースの順序を維持してください。

複数パートのストーリーの場合は、安定したID、タイトル、テイクアウェイ、完全なソーススパン、順序付けられた重複しない保持範囲、理由付きのカット範囲、推定編集時間、および短い視覚的な橋渡しを必要とする結合を含む、別の story-arcs.json を保存してください。ソース相対の秒数を使用し、各保持範囲の文字起こし行IDを記録してください。繰り返し、脱線、無音をカットする一方で、但し書きと必要な準備は保持してください。提案された各結合の両側の行を比較し、不明瞭な結合はオーディオプレビュー用にマークしてください。ユーザーが違いを判断できるように、ソーススパンと推定編集時間を提示してください。

完全なポイントを伝える短い連続クリップを含めてください。それらを clips.json に保存し、list を使用して提示してください。現在の render コマンドは、IDごとに1つの連続したインターバルを受け入れます。選択された複数パート編集には別のラフカットステップを使用し、編集を最終とする前に結合をプレビューしてください。クリップIDと不足しているレイアウトの選択肢を尋ねてください。ユーザーが承認した選択肢をレンダリングしてください。

ホスト録音のナレーションをリクエストする

音声にはオリジナルのダイアログとホスト録音のピックアップを使用してください。ユーザーが明示的に設定を変更しない限り、合成音声やクローンボイスをラフカットや最終出力から除外してください。

オープニング、トランジション、または事実の修正に新しい発話が必要な場合は、各ピックアップに対して正確なコピー、配置場所、推定時間、および異なるファイル名またはテイクラベルをホストに提供してください。テイク間にはっきりとしたポーズがある短い別々の録音、または1つの録音を受け入れてください。ホストが録音している間に編集とビジュアルを準備してください。不足しているピックアップがある中間プレビューには、無音のテキストカードを使用してください。

録音が届いたら、各テイクをそのキューに合わせ、余分な無音を除去し、ポッドキャストのダイアログに対してレベルを調整し、録音された配信に合わせてカードのタイミングを調整してください。結合を確認し、出力にオリジナルのダイアログとホストの録音ピックアップのみが含まれていることを確認してください。

フレーミングと図を準備する

図を含む縦型クリップの場合は、まず承認されたレイアウトを推奨してください:アクティブスピーカーにクロップし、そのクロップをフレームの上部に配置し、下部を大きな図のために確保します。左のホストが話すときは左のホストを表示し、右のホストがターンを取るときに右のホストに切り替えてください。この録音のフレームとダイアログから左右を決定してください。両方の配置が実行可能な場合は、図をホストの下または上に配置することを提案し、配置を確認してください。クリップ全体で図を使用しない場合、図がオフスクリーンになっているときに図の領域を何で埋めるかを尋ねてください。

  • スピーカー上図下:単一のインターバルと静的な図に適合する場合は render --layout combined --framing <turns.json> --diagram <diagram.png> を使用します。スマートフォンサイズでテキストを確認してください。
  • タイミング付き図または複数パート編集:CLIが承認されたタイミングやレイアウトを表現できない場合は、専用のレンダリングスクリプトを使用できます。承認されている場合は同じスピーカー上図下のフレーミングを維持してください。選択されたクロップ、レイアウト、図のキューを編集計画に記録してください。カットとカードを考慮した後、ソース相対のキュー時間を編集タイムラインに変換してください。
  • その他のレイアウト:スピーカーのみのクロップには speaker を --framing と共に、フルショットには original を、または図のみのビデオとソースオーディオには diagram を --diagram と共に使用します。combined を --framing なしで使用すると、図の上にフルショットが利用可能です。

固定のツーショットの場合は、フル解像度のフレームを検査し、各席をフレーミングして、クロップにホストの顔と肩が含まれるようにしてください。承認された方法(手動レビュー、分離マイクトラック、またはモデルセットアップ後のローカルの pyannote.audio Community-1 など)から、ソース相対の秒数でソートされた重複しないスピーカーのターンを構築してください。各スピーカーラベルの席を確認してください。不確かなターン、オーバーラップ、短い相槌が重要な場合は、それらの処理方法を尋ねてください。不確かなターンには、可能であればフルショットを提供してください。TalkNet のような動画カメラ検出器は、個別の統合と映像の検証が必要です。

複数ステップの説明の場合は、選択された抜粋からノードと矢印を導出するか、ユーザーのExcalidrawシーンを使用してください。diagram を実行してPNGを生成し、編集可能なシーンを保持してください。スマートフォンサイズでスピーカーの変更と図のキューを一緒にプレビューしてください。

出力を確認する

選択されたIDとレイアウトごとに1つの render コマンドを、個別の出力パスを指定して実行または提供してください。ffprobeを使用して出力の長さ、寸法、コーデック、オーディオを確認してください。同期、単語の完全性、読みやすいフレーミングについて、開始、終了、クロップ遷移をプレビューしてください。出力パスと候補IDを報告してください。ガイド付き実行では、ユーザーが変更を希望する場合に、調整された境界線または異なるレイアウトでクリップを再試行する方法を示してください。

関連スキル