Communitygithub.com

lilinji/GeneTind-Life-Skills

動画ファイルの音声抽出、フォーマット変換(mp4、webm)、Whisperによる文字起こしを処理します。ユーザーが動画変換、音声抽出、文字起こし、mp4、webm、ffmpeg、whisper文字起こしについて言及したときに使用します。

GeneTind-Life-Skills とは?

このスキルは、FFmpegとOpenAIのWhisperモデルを統合した動画処理ユーティリティを提供します。動画ファイルから音声を抽出したり、MP4やWebM形式への変換、Whisperによる高精度な音声文字起こしをCLI経由で簡単に実行できます。特に、`scripts/video_processor.py` という単一のスクリプトで全操作を統一しており、`uv run` で簡単に呼び出せます。文字起こしは複数のモデルサイズ(tiny〜large)と言語指定に対応し、出力形式もtxt、srt、vtt、jsonと多彩です。これにより、開発者やAIエージェントは複雑な動画処理を最小限のコードで効率的に自動化できます。

対応✓Claude Code✓Codex CLI~Cursor
npx skills add https://github.com/lilinji/GeneTind-Life-Skills/tree/HEAD/skills/Video-Processor

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

Video Processor

説明

このスキルは、FFmpegとOpenAIのWhisperモデルを使用した、音声抽出、フォーマット変換、音声文字起こしを含む動画処理ユーティリティを提供します。

前提条件

必要なツール(環境にインストールされている必要があります):

  • FFmpeg:動画/音声処理のためのマルチメディアフレームワーク

    # macOS
    brew install ffmpeg
    
    # Ubuntu/Debian
    apt-get install ffmpeg
    
    # インストール確認
    ffmpeg -version
    
  • OpenAI Whisper:音声テキスト変換モデル

    # pipでインストール
    pip install -U openai-whisper
    
    # インストール確認
    whisper --help
    

Pythonパッケージ(PEP 723経由でスクリプトに含まれています):

  • click(CLIフレームワーク)
  • ffmpeg-python(FFmpegのPythonラッパー)

ワークフロー

すべての動画処理タスクには scripts/video_processor.py スクリプトを使用します。このスクリプトは以下のコマンドでシンプルなCLIを提供します:

1. 動画から音声を抽出

動画ファイルから音声トラックを抽出します:

uv run .claude/skills/video-processor/scripts/video_processor.py extract-audio input.mp4 output.wav

オプション:

  • --format:出力音声フォーマット(デフォルト:wav)。対応:wav、mp3、aac、flac
  • 出力は文字起こしやスタンドアロン音声として使用可能

2. 動画をMP4に変換

任意の動画ファイルをMP4形式に変換します:

uv run .claude/skills/video-processor/scripts/video_processor.py to-mp4 input.avi output.mp4

オプション:

  • --codec:ビデオコーデック(デフォルト:libx264)。一般的なオプション:libx264、libx265、h264
  • --preset:エンコード速度/品質プリセット(デフォルト:medium)。オプション:ultrafast、fast、medium、slow、veryslow

3. 動画をWebMに変換

任意の動画ファイルをWebM形式(Web最適化)に変換します:

uv run .claude/skills/video-processor/scripts/video_processor.py to-webm input.mp4 output.webm

オプション:

  • --codec:ビデオコーデック(デフォルト:libvpx-vp9)。オプション:libvpx、libvpx-vp9
  • WebMはWeb再生とストリーミングに最適化されています

4. Whisperで音声を文字起こし

OpenAIのWhisperモデルを使用して、音声または動画ファイルをテキストに文字起こしします:

# 動画ファイルを文字起こし(音声は自動抽出されます)
uv run .claude/skills/video-processor/scripts/video_processor.py transcribe input.mp4 transcript.txt

# 音声ファイルを直接文字起こし
uv run .claude/skills/video-processor/scripts/video_processor.py transcribe audio.wav transcript.txt

オプション:

  • --model:Whisperモデルサイズ(デフォルト:base)。オプション:
    • tiny:最速、最低精度(約1GB RAM)
    • base:高速、良好な精度(約1GB RAM)[デフォルト]
    • small:バランス良好(約2GB RAM)
    • medium:高精度(約5GB RAM)
    • large:最高精度、最遅(約10GB RAM)
  • --language:言語コード(デフォルト:自動検出)。例:en、es、fr、de、zh
  • --format:出力形式(デフォルト:txt)。オプション:txt、srt、vtt、json

文字起こしのワークフロー:

  1. 入力が動画の場合、FFmpegが音声を一時WAVファイルに抽出
  2. Whisperが音声ファイルを処理
  3. 文字起こしが要求された形式で保存
  4. 一時ファイルは自動的にクリーンアップ

5. 複合ワークフロー例

動画をエンドツーエンドで処理する:

# 1. 分析用に音声を抽出
uv run .claude/skills/video-processor/scripts/video_processor.py extract-audio lecture.mp4 lecture.wav

# 2. SRT字幕に文字起こし
uv run .claude/skills/video-processor/scripts/video_processor.py transcribe lecture.mp4 lecture.srt --format srt --model small

# 3. Web形式に変換
uv run .claude/skills/video-processor/scripts/video_processor.py to-webm lecture.mp4 lecture.webm

主要な技術的詳細

FFmpegとWhisperの統合:

  • FFmpeg自体は音声を文字起こしせず、外部の文字起こし用に音声を準備します
  • ワークフロー:音声抽出(FFmpeg)→ 文字起こし(Whisper)→ オプション:動画への再統合
  • FFmpegはリアルタイム処理のために音声をWhisperに直接パイプすることも可能(高度なユースケース)

文字起こしのための音声フォーマット:

  • WhisperはWAVまたはMP3形式で最適に動作します
  • サンプルレート:16kHzが最適(スクリプトが自動変換を処理)
  • スクリプトはWhisperに最適な設定で音声を抽出します

出力形式:

  • txt:プレーンテキストのトランスクリプト
  • srt:SubRip字幕フォーマット(タイムスタンプを含む)
  • vtt:WebVTT字幕フォーマット(Web標準)
  • json:単語レベルのタイムスタンプを含む詳細なJSON

エラーハンドリング

スクリプトには包括的なエラーハンドリングが含まれています:

  • 入力ファイルの存在を検証
  • FFmpegとWhisperがインストールされているか確認
  • 依存関係がない場合の明確なエラーメッセージ
  • エラー時の一時ファイルのクリーンアップ処理

パフォーマンスのヒント

  • クイックドラフトには tiny または base モデルを使用
  • 本番用の文字起こしには small または medium を使用
  • 最大精度が必要な場合のみ large を使用
  • 長い動画の場合は、最初に音声を抽出し、セグメントごとに文字起こしすることを検討
  • VP9を使用したWebM変換は時間がかかりますが、ファイルサイズが小さくなります

例

例1:動画のMP4へのクイック変換

ユーザーリクエスト:

古いカメラのAVIファイルがあるんだけど、MP4に変換してもらえる?

あなたの対応:

  1. デフォルト設定でto-mp4コマンドを使用:
    uv run .claude/skills/video-processor/scripts/video_processor.py to-mp4 old_video.avi output.mp4
    
  2. 変換が正常に完了したことを確認
  3. 出力ファイルの場所をユーザーに知らせる

例2:音声抽出と文字起こし

ユーザーリクエスト:

講義の動画を録画したんだけど、トランスクリプトが必要なんだ。音声を抽出して文字起こししてもらえる?

あなたの対応:

  1. まず音声を抽出:
    uv run .claude/skills/video-processor/scripts/video_processor.py extract-audio lecture.mp4 lecture.wav
    
  2. 次にbaseモデルで文字起こし(速度と精度の良いバランス):
    uv run .claude/skills/video-processor/scripts/video_processor.py transcribe lecture.mp4 transcript.txt --model base
    
  3. transcript.txtファイルをユーザーと共有

例3:字幕付きのWeb最適化動画の作成

ユーザーリクエスト:

この動画を字幕付きでWebサイトに載せたいんだけど、手伝ってくれる?

あなたの対応:

  1. Web最適化のためにWebMに変換:
    uv run .claude/skills/video-processor/scripts/video_processor.py to-webm presentation.mp4 presentation.webm
    
  2. SRT字幕ファイルを生成:
    uv run .claude/skills/video-processor/scripts/video_processor.py transcribe presentation.mp4 subtitles.srt --format srt --model small
    
  3. ユーザーに以下のファイルができたことを知らせる:
    • presentation.webm(Web最適化動画)
    • subtitles.srt(埋め込み用字幕ファイル)

例4:言語指定による高品質文字起こし

ユーザーリクエスト:

出版用に正確なトランスクリプトが必要なスペイン語のインタビュー動画があります。

あなたの対応:

  1. より大きなモデルと言語指定で最高の精度を実現:
    uv run .claude/skills/video-processor/scripts/video_processor.py transcribe interview.mp4 transcript.txt --model medium --language es
    
  2. オプションでレビュー用にSRTを作成:
    uv run .claude/skills/video-processor/scripts/video_processor.py transcribe interview.mp4 transcript.srt --format srt --model medium --language es
    
  3. ユーザーとトランスクリプトを確認し、必要な修正を行う

例5:複数動画のバッチ処理

ユーザーリクエスト:

トレーニング動画のフォルダがあって、全部WebMに変換して文字起こしする必要があるんだ。

あなたの対応:

  1. ディレクトリ内のすべての動画ファイルを一覧表示:
    ls training_videos/*.mp4
    
  2. 各動画ファイルに対して、変換と文字起こしを実行:
    # 各動画について:video1.mp4、video2.mp4など
    uv run .claude/skills/video-processor/scripts/video_processor.py to-webm training_videos/video1.mp4 output/video1.webm
    uv run .claude/skills/video-processor/scripts/video_processor.py transcribe training_videos/video1.mp4 output/video1.txt --model base
    
    # 各ファイルで繰り返し
    
  3. すべての変換と文字起こしが完了したことを確認
  4. 出力ファイルのサマリーを提供

まとめ

video-processorスキルは、一般的な動画処理タスクのための統一されたインターフェースを提供します:

  • 音声抽出:さまざまな形式で音声トラックを抽出
  • フォーマット変換:MP4(汎用)またはWebM(Web最適化)に変換
  • 文字起こし:複数の出力形式に対応した音声テキスト変換
  • 柔軟性:モデル選択、言語、出力形式のためのCLI引数

すべての操作は、適切なデフォルトと包括的なエラーハンドリングを備えた、単一の文書化されたスクリプトを通じて処理されます。

関連スキル