Communitygithub.com

jiawood2006/hermes-skills

動画コンテンツ解析。ユーザーが抖音共有リンク(自動ダウンロード&音声書き起こし全文)、B站リンク、またはローカル動画/音声ファイルを送信した際に使用します。文字起こし、SRT/VTT字幕(正確なタイムスタンプ付き)を出力し、書き起こし後にLLMで内容要約とバズり構造分析を生成できます。中国語の書き起こしはデフォルトで簡体字+句読点、文単位で分割されます。

hermes-skills とは?

このスキルは、動画コンテンツをテキストに変換し、分析するための強力なツールです。主にDouyin(抖音)の共有リンクから自動的に動画をダウンロードし、音声を書き起こして構造化されたMarkdown文書を生成します。Bilibili(B站)のリンクからはメタデータを取得し、ローカルの動画/音声ファイルの書き起こしにも対応しています。出力される文字起こしは、SRTやVTT形式の字幕ファイルとしても書き出せるため、動画編集や字幕作成にそのまま利用できます。さらに、LLMを活用した要約やコンテンツ分析機能を備えており、動画の構成やバズる要素を構造的に分解・分析することが可能です。デフォルトではローカルのfaster-whisperを使用するため、プライバシーを守りながら処理でき、APIキーはオプションのSenseVoiceエンジンやLLM分析時のみ必要です。

対応~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/jiawood2006/hermes-skills/tree/HEAD/skills/video-to-text

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→テキスト — 抖音/ローカル動画 → テキスト → コンテンツ分析(ワンコマンド完結)

抖音共有リンク → 自動ダウンロード → 音声書き起こし → 構造化Markdown → バズり分析、ワンコマンドで完了。 動画を手動保存する必要も、外部APIキーも不要。プライバシーはローカルに保たれます(デフォルト: ローカルfaster-whisper)。

📁 インストール: hermes skills install jiawood2006/hermes-skills/skills/video-to-text または ./install.sh(ワンクリックインストール+グローバルコマンド vtt)→ スクリプトは ~/.hermes/skills/utilities/video-to-text/scripts/ に配置されます。

トリガー条件

このスキルは、ユーザーが以下を送信した際に使用します。

使用方法

1. 抖音リンク → 全自動クローズドループ(デフォルト動作)

# ワンコマンド: メタデータ + 自動ダウンロード + ローカル書き起こし
python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py "https://v.douyin.com/xxxx/"

# 全フロー + LLM要約 + バズり構造分析
python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py "https://v.douyin.com/xxxx/" --all

# メタデータのみ(ダウンロード・書き起こしなし)
python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py "https://v.douyin.com/xxxx/" --meta-only

# 書き起こしエンジンをSenseVoiceに変更(中国語話し言葉/ノイズに強い、SILICONFLOW_API_KEYが必要、失敗時は自動でローカルにフォールバック)
SILICONFLOW_API_KEY=sk-xxx python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py "https://v.douyin.com/xxxx/" --engine sensevoice

技術フロー: curlで短縮URLから実際の動画IDを取得 → Playwrightでaweme/detail APIをリッスンしメタデータ+透かしなしplay_urlを取得 → 自動ダウンロード → 音声抽出 → 書き起こし。

2. ローカル動画ファイル → 書き起こし + コンテンツ分析

python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py 動画.mp4                 # 書き起こしのみ
python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py 動画.mp4 --summary       # + 内容要約
python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py 動画.mp4 --analyze       # + バズり構造分析
python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py 動画.mp4 --engine sensevoice  # SenseVoiceに変更

3. B站リンク → メタデータ(依存関係ゼロ、公開API利用)

python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py "https://www.bilibili.com/video/BV1..."

タイトル/作者/再生時間/再生数/いいね数/概要を出力します。書き起こしが必要な場合は、動画をダウンロードしてからローカルファイルとして処理してください。

4. 出力物(構造化Markdown)

デフォルトでは <タイトル>_transcript.md として保存されます。そのままObsidianやナレッジベースで利用可能です。

---
platform: douyin
url: https://v.douyin.com/xxx
title: 動画タイトル
author: 著者名
duration_s: 42
digg: 12345
date: 2026-09-04
tags: ["話題1", "話題2"]
---

# 動画タイトル

| フィールド | 値 |
|:---|:---|
| duration_s | 42 |
...

## 書き起こし全文

[00:00] 皆さんこんにちは、今日は…
[00:05] この製品は…

5. 字幕ファイルの出力(SRT / VTT、正確なタイムスタンプ付き)

動画編集、YouTube/B站への字幕アップロード、または一文ごとの校正が必要な場合に、字幕ファイルを直接出力します。

# 文字起こし + SRT字幕添付(最も一般的)
python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py 動画.mp4 --subtitles srt

# SRTとVTTを同時出力
python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py 動画.mp4 --subtitles srt,vtt

# 字幕のみ、文字起こしなし
python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py 動画.mp4 --format srt
  • 出力: <タイトル>_transcript.srt(剪映/Premiere/YouTube対応)または .vtt(Webプレイヤー対応)
  • 中国語はデフォルトで簡体字 + 句読点、かつ文単位で分割されます(1字幕が十数秒にまたがることはありません)
  • 分割しきい値は環境変数で調整可能: VTT_MAX_CHARS=18(1行あたりの文字数)、VTT_MAX_DUR=7(1行あたりの最大秒数)

6. 書き起こし言語の指定

python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py 英語動画.mp4 --asr-lang en

デフォルトは zh(普通話/北京語)。中国語字幕の場合は、追加のプロンプトで簡体字出力を誘導します。

7. 既存の書き起こしテキストの分析

python3 ~/.hermes/skills/utilities/video-to-text/scripts/analyze.py 書き起こし.md --all
  • --summary 出力: 1文での概要/コアポイント/キラーフレーズ/ターゲットオーディエンス/参考になる点
  • --analyze 出力: 冒頭のフック(0-10秒)/リズムと構成比/感情曲線/セールスポイント/CTA/再利用可能なパターン
  • --format txt プレーンテキスト出力(旧形式互換); --out-dir 出力ディレクトリ指定

検証(インストール後のセルフテスト)

# ローカルファイルのクイックテスト: 動画がない場合、macOS標準の音声合成を利用
say -v "Ting-Ting" "皆さんこんにちは、これはテスト音声です" -o /tmp/t.m4a   # Linuxではスキップ可
python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py /tmp/t.m4a --out-dir /tmp/vtt_test
# 期待: /tmp/vtt_test に *_transcript.md が作成され、「テスト音声」を含むテキストが含まれている

# 字幕機能のセルフテスト(簡体字+句読点、文単位分割のSRTが得られるはず)
python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py /tmp/t.m4a --subtitles srt --out-dir /tmp/vtt_test
# 期待: /tmp/vtt_test に *_transcript.srt が作成され、--> タイムスタンプ行が含まれている

依存関係(初回使用時にインストール)

pip3 install faster-whisper        # デフォルトのローカル書き起こし(初回はtinyモデルをダウンロード ~75MB)
# macOSはavconvert標準搭載; Linuxはffmpegが必要
# 抖音解析にはplaywright + chromiumが必要(douyin_extract内部で使用)
# 内容要約/バズり分析にはLLMキーが必要(LLM_API_KEY環境変数 または ~/.deai_writer.conf)
# SenseVoiceエンジンはオプション: SILICONFLOW_API_KEY(シリコンフロークラウド、無料枠あり)

既知の落とし穴

  • duration_ms=0 の偽陰性: SSRメタデータの再生時間が0でも、実際は動画の場合があります。ダウンロードURLがあれば先にダウンロードして確認し、画像テキストと判断しないでください。
  • play_addr URLの有効期限切れ: SSRで解析した動画URLが404になる場合があります。その場合はダウンロードに失敗し、手動でファイルを提供するよう促されます(自動的にダウングレードされ、処理は中断しません)。
  • 画像テキストコンテンツ: duration=0かつダウンロードファイルが1MB未満の場合は画像テキスト(音声なし)と判断し、メタデータのみ出力します。内容を捏造することはありません。
  • whisperの書き起こしが遅い: Intel Macの場合、3分の動画で約5分かかります。language='zh' の自動設定とVADによる無音フィルタリングが適用されています。より高速/高精度にするには --engine sensevoice を使用してください。
  • 中国語のデフォルト出力が繁体字(修正済み): whisperは中国語に対して繁体字を出力し、句読点もほとんど付加しません。このスキルではデフォルトで initial_prompt を注入し、簡体字 + 句読点を誘導します。カスタマイズが必要な場合は、環境変数 WHISPER_INITIAL_PROMPT を設定します(空にすると誘導を無効化)。
  • 精度はモデルサイズに依存: デフォルトは WHISPER_MODEL=tiny(~75MB、高速だが誤字が多い)。実用的な書き起こし品質を求める場合は small/medium に変更してください:
    WHISPER_MODEL=small python3 ~/.hermes/skills/utilities/video-to-text/scripts/vtt.py 動画.mp4 --subtitles srt
    
    初回はモデルをダウンロードします(国内ネットワーク環境の場合は export HF_ENDPOINT=https://hf-mirror.com を推奨)。
  • 字幕分割の粒度は調整可能: デフォルトでは句読点/18文字/7秒で分割します。より細かく、またはより長くしたい場合は、環境変数 VTT_MAX_CHARS、VTT_MAX_DUR を設定してください。
  • SenseVoiceには正確なタイムスタンプなし: このエンジンは時間情報を返さないため、再生時間は話速から推定され、字幕のタイムラインは参考値です。正確な字幕が必要な場合はfaster-whisperを使用してください。
  • 分析にはLLMキーが必要: --summary/--analyze には LLM_API_KEY が必要です。設定されていない場合は書き起こしのみ行い、分析はスキップされます(明示的にダウングレードされ、エラーは発生しません)。

Individual skills in this repo

This repo contains 1 individual skill — each has its own dedicated page.

関連スキル