claude-skill-video-transcribe は何をしますか？
動画→テキスト：字幕を優先取得、なければGemini 2.5 Flash ASRで音声認識。YouTube/Bilibili/ローカルファイル対応。ソフトなローカライゼーション支援ツール。
概要
このスキルは、動画コンテンツからテキストを抽出するためのツールです。まずは動画に埋め込まれた字幕（クローズドキャプション）の取得を試み、それが利用できない場合にはGemini 2.5 FlashのASR機能を用いて音声認識を実行します。YouTube、Bilibili、ローカルファイルの3つのソースに対応しています。
主な機能
- 字幕優先取得: YouTubeやBilibiliの動画から自動生成字幕や手動字幕を取得
- Gemini ASRフォールバック: 字幕がない場合はGemini 2.5 Flash APIで音声認識
- 複数ソース対応: YouTube URL、Bilibili URL、ローカルの動画ファイル
- ソフトローカライゼーション: 言語の壁を越えて動画内容をテキスト化し、翻訳・要約を容易に
使用方法
# YouTube動画から文字起こし
claude use video-transcribe --source "https://youtube.com/watch?v=xxxx"
# Bilibili動画から文字起こし
claude use video-transcribe --source "https://www.bilibili.com/video/BVxxxx"
# ローカル動画ファイルから文字起こし
claude use video-transcribe --source "/path/to/video.mp4"
依存関係
- Python 3.10+
yt-dlp（YouTube/Bilibiliの字幕取得）google-generativeai（Gemini API）ffmpeg（ローカル動画処理）
環境変数
| 変数名 | 説明 | 必須 |
|---|---|---|
GEMINI_API_KEY | Gemini 2.5 Flash APIのキー | 字幕がない場合に必須 |
注意事項
- Gemini ASRを使用する場合、動画音声の品質に依存します。ノイズが多い環境では精度が低下する可能性があります。
- 字幕が利用可能な場合、そちらを優先的に使用することで速度と精度が向上します。
- 大量の動画を処理する際は、APIレート制限に注意してください。
ライセンス
MIT