Communitygithub.com

legenxxx/video-digest

動画を検索可能なテキストダイジェスト(文字起こし、画面テキスト & リンク、コンタクトシートコラージュ)に変換します。完全ローカル処理、クラウド不要。

video-digest とは?

video-digest は、任意の動画を一つの検索可能な Markdown ダイジェストに変換するローカルツールです。文字起こし(faster-whisper によるオンデバイス処理)、フレーム内のテキスト認識(OCR、URL や @ハンドルも抽出)、そして動画全体の視覚的ストーリーを一目で把握できるコンタクトシート形式のモンタージュ画像を生成し、これらを一つの digest.md に統合します。すべての処理はローカルで完結し、ネットワークやアカウント、テレメトリは不要です。macOS(Vision フレームワーク)、Linux(Tesseract)、クラウドサービス種々の AI エージェント開発環境(Claude Code、Cursor、Codex、Aider など)でシェルスクリプトとして利用可能で、ffmpeg さえあればコア機能が動作します。各処理段階は独立しており、再開可能かつキャッシュ可能なため、大量の動画を検索可能なカタログとして管理する、映像内のリンクやハンドルを抽出する、長時間の録画を高速に視覚要約するといった用途に最適です。

対応~Claude Code~Codex CLI~Cursor
npx skills add legenxxx/video-digest

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-digest は何をしますか?

概要

任意の動画を一つの検索可能な Markdown ダイジェストに変換します。各クリップに対して以下の3つを生成し、それらを digest.md に統合します。

  1. 文字起こし (Transcript) — 発話のテキスト(faster-whisper、デバイス上処理)
  2. 画面テキスト (On-screen text) — フレームに表示されている固有のテキスト行のすべて(OCR)、さらに URL と @ハンドル を別途抽出
  3. コンタクトシートモンタージュ (Contact-sheet montages) — クリップ全体からフレームをグリッド状に抽出し、一目で映像のストーリーを把握可能

すべての処理はローカルで実行されます。ネットワーク呼び出し、アカウント、テレメトリは一切ありません。コア機能は ffmpeg のみ必要で、文字起こしと OCR はオプションであり、不足時は安全に動作を縮退します。

使用すべき場面

  • 「この動画(200本の動画)に何が含まれているか」を視聴せずに把握したい場合
  • リール、トーク、チュートリアル、フッテージの 検索可能なカタログ を構築する場合
  • クリップ内で一瞬表示された リンクやハンドル を回収する場合
  • 長時間または多数の録画を高速に 視覚的に概要把握(モンタージュ)したい場合

対象外: ライブ配信、動画の編集・カット、動画生成。本ツールは動画を読み取り、テキスト+画像の要約を出力します。

クイックリファレンス

scripts/check-deps.sh                    # インストール済みのもの+残りの入手方法を表示
scripts/video-digest.sh clip.mp4         # 1動画 → ./video-digest-out/clip/digest.md
scripts/video-digest.sh --out ~/digests *.mp4     # フォルダ全体を一括処理
scripts/video-digest.sh --lang en talk.mov        # 文字起こしの言語ヒントを指定
scripts/video-digest.sh --no-transcript reel.mp4  # 音声をスキップし、ビジュアル+テキストのみ
scripts/video-digest.sh --ocr-engine tesseract x.mp4   # 特定のOCRエンジンを強制指定
フラグ目的デフォルト値
-o, --out DIR出力ルートディレクトリ./video-digest-out
--fps NOCRフレームサンプリングレート2
--montage-frames Nクリップ全体から抽出するフレーム数90
--tile CxRモンタージュのグリッド3x3
--ocr-engine Eauto|vision|tesseract|noneauto
--whisper-model Mtiny|base|small|medium(+.en)small
--whisper-python Pfaster-whisper がインストールされたPythonインタプリタ自動検出
--lang CODE文字起こしの言語ヒント自動検出
--no-transcript / --no-ocr / --no-montage特定の段階をスキップ—
--forceキャッシュがあっても各段階を再実行off

全リストは scripts/video-digest.sh --help を実行してください。

仕組み

エントリポイント scripts/video-digest.sh は、以下の3つの独立した小さなツールを統括します(それぞれ単独でも実行可能)。

段階スクリプトエンジン
モンタージュscripts/montage.shffmpeg タイルフィルター
画面テキストscripts/ocr.sh (+ ocr_vision.swift)macOS Vision(デフォルト)または tesseract
文字起こしscripts/transcribe.pyfaster-whisper

各段階は 再開可能 です。完了した処理は .done としてマーク/キャッシュされ、再実行時はスキップされます(--force 指定時を除く)。ダイジェストは常に存在する段階の結果から再構築されるため、部分的に実行した場合でも有用なファイルが生成されます。

OCRエンジンの自動選択: macOS では内蔵の Vision フレームワークを使用(インストール不要、デバイス上処理)、それ以外の OS では tesseract が存在すればそれを使用、なければ警告を出して OCR をスキップします。オプションバックエンドのインストール方法は references/setup.md、正確な出力レイアウトは references/output-format.md を参照してください。

よくある間違い

  • 文字起こしが空 → faster-whisper が使用中のPythonインタプリタにインストールされていません。scripts/check-deps.sh を実行後、pip install faster-whisper を行うか、--whisper-python /path/to/python で既存の環境を指定してください。
  • Linuxで画面テキストが出ない → tesseract をインストールしてください(apt install tesseract-ocr)。Vision エンジンは macOS 専用です。
  • 短いクリップでモンタージュフレーム数が多すぎる → --montage-frames の値を小さくしてください(例: 30)。
  • 文字起こしの言語が違う → --lang を指定してください(例: --lang sk)、またはマルチリンガル音声のために .en 以外のモデルを使用してください。

使用例

examples/sample-digest/ には小さなサンプルクリップと、そこから生成された digest.md が含まれています(文字起こし、1つの検出URL、1つの@ハンドル、モンタージュシート)。以下のコマンドで再現できます(文字起こし行には faster-whisper のインストールが必要です)。

scripts/video-digest.sh --montage-frames 9 examples/sample-digest/sample.mp4

関連スキル