VideoDB スキル
動画、ライブストリーム、デスクトップセッションのための「認識＋記憶＋操作」
使用タイミング
デスクトップ認識
- デスクトップセッションを開始/停止し、画面、マイク、システム音声をキャプチャ
- ライブコンテキストをストリームし、エピソード的セッション記憶を保存
- 画面に表示されている内容や発話に基づいてリアルタイムアラート/トリガーを実行
- セッション要約、検索可能なタイムライン、再生可能な証拠リンクを生成
動画取り込み＋ストリーム
- ファイルまたはURLを取り込み、再生可能なWebストリームリンクを返す
- トランスコード/正規化: コーデック、ビットレート、fps、解像度、アスペクト比
インデックス＋検索（タイムスタンプ＋証拠）
- 視覚、発話、キーワードのインデックスを構築
- 正確な瞬間をタイムスタンプと再生可能な証拠とともに検索・返却
- 検索結果から自動でクリップを作成
タイムライン編集＋生成
- 字幕: 生成、翻訳、焼き込み
- オーバーレイ: テキスト/画像/ブランディング、モーションキャプション
- 音声: BGM、ナレーション、吹き替え
- タイムライン操作によるプログラム的な合成と書き出し
ライブストリーム（RTSP）＋監視
- RTSP/ライブフィードに接続
- リアルタイムの視覚・発話理解を実行し、監視ワークフロー向けにイベント/アラートを発行
動作の仕組み
一般的な入力
- ローカルファイルパス、公開URL、またはRTSP URL
- デスクトップキャプチャリクエスト: セッションの開始/停止/要約
- 希望する操作: 理解のためのコンテキスト取得、トランスコード仕様、インデックス仕様、検索クエリ、クリップ範囲、タイムライン編集、アラートルール
一般的な出力
- ストリームURL
- タイムスタンプと証拠リンクを含む検索結果
- 生成されたアセット: 字幕、音声、画像、クリップ
- ライブストリームのイベント/アラートペイロード
- デスクトップセッション要約と記憶エントリ
Pythonコードの実行
VideoDBコードを実行する前に、プロジェクトディレクトリに移動して環境変数を読み込みます:
from dotenv import load_dotenv
load_dotenv(".env")
import videodb
conn = videodb.connect()
これにより、VIDEO_DB_API_KEY が以下から読み込まれます:
- 環境変数（すでにエクスポートされている場合）
- 現在のディレクトリのプロジェクト
.envファイル
キーがない場合、videodb.connect() は自動的に AuthenticationError を発生させます。
短いインラインコマンドで済む場合はスクリプトファイルを作成しないでください。
インラインPython（python -c "..."）を記述する場合、常に適切にフォーマットされたコードを使用してください。セミコロンでステートメントを区切り、読みやすく保ちます。約3ステートメントを超える場合は、代わりにヒアドキュメントを使用してください:
python << 'EOF'
from dotenv import load_dotenv
load_dotenv(".env")
import videodb
conn = videodb.connect()
coll = conn.get_collection()
print(f"Videos: {len(coll.get_videos())}")
EOF
セットアップ
ユーザーが「videodbをセットアップして」などと依頼した場合:
1. SDKのインストール
pip install "videodb[capture]" python-dotenv
Linuxで videodb[capture] が失敗した場合は、captureエクストラなしでインストール:
pip install videodb python-dotenv
2. APIキーの設定
ユーザーは以下のいずれかの方法で VIDEO_DB_API_KEY を設定する必要があります:
- ターミナルでエクスポート（Claudeを起動する前）:
export VIDEO_DB_API_KEY=your-key - プロジェクトの
.envファイル:VIDEO_DB_API_KEY=your-keyをプロジェクトの.envファイルに保存
無料のAPIキーは console.videodb.io で取得できます（無料アップロード50回、クレジットカード不要）
APIキーを自分で読み取り、書き込み、または処理しないでください。 常にユーザーに設定させてください。
クイックリファレンス
メディアのアップロード
# URL
video = coll.upload(url="https://example.com/video.mp4")
# YouTube
video = coll.upload(url="https://www.youtube.com/watch?v=VIDEO_ID")
# ローカルファイル
video = coll.upload(file_path="/path/to/video.mp4")
文字起こし＋字幕
# force=True は動画がすでにインデックスされている場合のエラーをスキップ
video.index_spoken_words(force=True)
text = video.get_transcript_text()
stream_url = video.add_subtitle()
動画内検索
from videodb.exceptions import InvalidRequestError
video.index_spoken_words(force=True)
# search() は結果が見つからない場合に InvalidRequestError を発生させます。
# 常に try/except でラップし、「結果が見つかりません」を空として扱います。
try:
results = video.search("product demo")
shots = results.get_shots()
stream_url = results.compile()
except InvalidRequestError as e:
if "No results found" in str(e):
shots = []
else:
raise
シーン検索
import re
from videodb import SearchType, IndexType, SceneExtractionType
from videodb.exceptions import InvalidRequestError
# index_scenes() には force パラメータはありません — シーンインデックスが
# すでに存在する場合はエラーを発生させます。エラーから既存のインデックスIDを抽出します。
try:
scene_index_id = video.index_scenes(
extraction_type=SceneExtractionType.shot_based,
prompt="Describe the visual content in this scene.",
)
except Exception as e:
match = re.search(r"id\s+([a-f0-9]+)", str(e))
if match:
scene_index_id = match.group(1)
else:
raise
# score_threshold を使用して低関連性のノイズをフィルタリング（推奨: 0.3以上）
try:
results = video.search(
query="person writing on a whiteboard",
search_type=SearchType.semantic,
index_type=IndexType.scene,
scene_index_id=scene_index_id,
score_threshold=0.3,
)
shots = results.get_shots()
stream_url = results.compile()
except InvalidRequestError as e:
if "No results found" in str(e):
shots = []
else:
raise
タイムライン編集
重要: タイムラインを構築する前に、常にタイムスタンプを検証してください:
startは 0 以上である必要があります（負の値は黙って受け入れられますが、壊れた出力を生成します）startはendより小さくなければなりませんendはvideo.length以下でなければなりません
from videodb.timeline import Timeline
from videodb.asset import VideoAsset, TextAsset, TextStyle
timeline = Timeline(conn)
timeline.add_inline(VideoAsset(asset_id=video.id, start=10, end=30))
timeline.add_overlay(0, TextAsset(text="The End", duration=3, style=TextStyle(fontsize=36)))
stream_url = timeline.generate_stream()
動画のトランスコード（解像度/画質変更）
from videodb import TranscodeMode, VideoConfig, AudioConfig
# サーバーサイドで解像度、画質、アスペクト比を変更
job_id = conn.transcode(
source="https://example.com/video.mp4",
callback_url="https://example.com/webhook",
mode=TranscodeMode.economy,
video_config=VideoConfig(resolution=720, quality=23, aspect_ratio="16:9"),
audio_config=AudioConfig(mute=False),
)
アスペクト比のリフレーム（ソーシャルプラットフォーム向け）
警告: reframe() は低速なサーバーサイド操作です。長い動画の場合、数分かかりタイムアウトする可能性があります。ベストプラクティス:
- 可能な限り
start/endを使用して短いセグメントに制限 - 全長動画の場合は、
callback_urlを使用して非同期処理 - まず
Timelineで動画をトリミングし、その短い結果をリフレーム
from videodb import ReframeMode
# 常に短いセグメントのリフレームを優先:
reframed = video.reframe(start=0, end=60, target="vertical", mode=ReframeMode.smart)
# 全長動画の非同期リフレーム（Noneを返し、結果はWebhook経由）:
video.reframe(target="vertical", callback_url="https://example.com/webhook")
# プリセット: "vertical" (9:16), "square" (1:1), "landscape" (16:9)
reframed = video.reframe(start=0, end=60, target="square")
# カスタムサイズ
reframed = video.reframe(start=0, end=60, target={"width": 1280, "height": 720})
生成AIメディア
image = coll.generate_image(
prompt="a sunset over mountains",
aspect_ratio="16:9",
)
エラー処理
from videodb.exceptions import AuthenticationError, InvalidRequestError
try:
conn = videodb.connect()
except AuthenticationError:
print("Check your VIDEO_DB_API_KEY")
try:
video = coll.upload(url="https://example.com/video.mp4")
except InvalidRequestError as e:
print(f"Upload failed: {e}")
よくある落とし穴
| シナリオ | エラーメッセージ | 解決策 |
|---|---|---|
| すでにインデックス済みの動画を再インデックス | Spoken word index for video already exists | video.index_spoken_words(force=True) を使用してスキップ |
| シーンインデックスが既に存在 | Scene index with id XXXX already exists | re.search(r"id\s+([a-f0-9]+)", str(e)) で既存の scene_index_id を抽出 |
| 検索結果なし | InvalidRequestError: No results found | 例外をキャッチし、空の結果として扱う（shots = []） |
| リフレームがタイムアウト | 長い動画で無期限にブロック | start/end でセグメントを制限、または callback_url で非同期処理 |
| タイムラインに負のタイムスタンプ | 壊れたストリームを黙って生成 | VideoAsset を作成する前に start >= 0 を常に検証 |
generate_video() / create_collection() が失敗 | Operation not allowed または maximum limit | プラン制限機能 — ユーザーにプラン制限について通知 |
例
典型的なプロンプト
- 「デスクトップキャプチャを開始し、パスワードフィールドが表示されたらアラートを出してください。」
- 「セッションを記録し、終了時に実用的な要約を生成してください。」
- 「このファイルを取り込み、再生可能なストリームリンクを返してください。」
- 「このフォルダをインデックスし、人物がいるシーンをすべて見つけてタイムスタンプを返してください。」
- 「字幕を生成し、焼き込んで、軽いBGMを追加してください。」
- 「このRTSP URLに接続し、人がゾーンに入ったらアラートを出してください。」
画面録画（デスクトップキャプチャ）
録画セッション中にWebSocketイベントをキャプチャするには ws_listener.py を使用します。デスクトップキャプチャは macOS のみサポートされています。
クイックスタート
- 状態ディレクトリを選択:
STATE_DIR="${VIDEODB_EVENTS_DIR:-$HOME/.local/state/videodb}" - リスナーを起動:
VIDEODB_EVENTS_DIR="$STATE_DIR" python scripts/ws_listener.py --clear "$STATE_DIR" & - WebSocket IDを取得:
cat "$STATE_DIR/videodb_ws_id" - キャプチャコードを実行（完全なワークフローは reference/capture.md を参照）
- イベントが書き込まれる場所:
$STATE_DIR/videodb_events.jsonl
新しいキャプチャ実行を開始するときは常に --clear を使用して、古い文字起こしイベントや視覚イベントが新しいセッションに漏れないようにします。
イベントのクエリ
import json
import os
import time
from pathlib import Path
events_dir = Path(os.environ.get("VIDEODB_EVENTS_DIR", Path.home() / ".local" / "state" / "videodb"))
events_file = events_dir / "videodb_events.jsonl"
events = []
if events_file.exists():
with events_file.open(encoding="utf-8") as handle:
for line in handle:
try:
events.append(json.loads(line))
except json.JSONDecodeError:
continue
transcripts = [e["data"]["text"] for e in events if e.get("channel") == "transcript"]
cutoff = time.time() - 300
recent_visual = [
e for e in events
if e.get("channel") == "visual_index" and e["unix_ts"] > cutoff
]
追加ドキュメント
リファレンスドキュメントはこのSKILL.mdファイルと同じディレクトリの reference/ にあります。必要に応じてGlobツールを使用して探してください。
- reference/api-reference.md - VideoDB Python SDK完全APIリファレンス
- reference/search.md - 動画検索（発話およびシーンベース）の詳細ガイド
- reference/editor.md - タイムライン編集、アセット、合成
- reference/streaming.md - HLSストリーミングとインスタント再生
- reference/generative.md - AI搭載メディア生成（画像、動画、音声）
- reference/rtstream.md - ライブストリーム取り込みワークフロー（RTSP/RTMP）
- reference/rtstream-reference.md - RTStream SDKメソッドとAIパイプライン
- reference/capture.md - デスクトップキャプチャワークフロー
- reference/capture-reference.md - キャプチャSDKとWebSocketイベント
- reference/use-cases.md - 一般的な動画処理パターンと例
VideoDBが操作をサポートしている場合、ffmpeg、moviepy、またはローカルのエンコードツールを使用しないでください。 以下はすべてVideoDBがサーバーサイドで処理します — トリミング、クリップの結合、音声や音楽のオーバーレイ、字幕の追加、テキスト/画像オーバーレイ、トランスコード、解像度変更、アスペクト比変換、プラットフォーム要件に合わせたリサイズ、文字起こし、メディア生成。ローカルツールへのフォールバックは、reference/editor.md の「制限事項」に記載されている操作（トランジション、速度変更、クロップ/ズーム、カラーグレーディング、音量ミキシング）にのみ行ってください。
何をいつ使うか
| 問題 | VideoDBの解決策 |
|---|---|
| プラットフォームが動画のアスペクト比や解像度を拒否 | video.reframe() または VideoConfig を使った conn.transcode() |
| Twitter/Instagram/TikTok用に動画をリサイズ | video.reframe(target="vertical") または target="square" |
| 解像度変更（例: 1080p→720p） | VideoConfig(resolution=720) を使った conn.transcode() |
| 動画に音声/音楽をオーバーレイ | Timeline 上の AudioAsset |
| 字幕を追加 | video.add_subtitle() または CaptionAsset |
| クリップの結合/トリミング | Timeline 上の VideoAsset |
| ナレーション、音楽、効果音を生成 | coll.generate_voice()、generate_music()、generate_sound_effect() |
出典
このスキルのリファレンス資料は skills/videodb/reference/ 以下にローカルにベンダリングされています。実行時に外部リポジトリのリンクをたどる代わりに、上記のローカルコピーを使用してください。