mairp/video-to-deck

video-to-deck は何をしますか？

動画からプレゼンテーションを作成します。あなた（モデル）はテキストのみ — 音声を聞いたりフレームを見たりできません。 そのため、このスキルのスクリプトが「見る」と「聞く」を担当し、テキストのエビデンスバンドル（evidence.md）をあなたに渡します。 あなたの仕事は統合のみです：エビデンスを読み、良いデッキを書くこと。エビデンスが裏付けていないものを創作してはいけません。

出力はMarpマークダウン（deck.md）です：今すぐ読める通常の.mdであり、後でrender.shコマンド1つで本物のスライドデッキ（PPTX/PDF/HTML）になります。

$SKILL 以下 = このスキルのディレクトリ（このファイルを含むフォルダ）。

手順

1. 一度だけのセットアップ（冪等）

bash "$SKILL/scripts/setup.sh"

faster-whisper（文字起こし）、tesseract（OCR）、およびnpmが存在する場合はmarp-cliとmermaid-cliをインストールします。再実行しても安全です。ffmpegは事前にインストールされている必要があります。

2. 動画を探す

bash "$SKILL/scripts/find_videos.sh" "<folder>"        # 1行に1つのパス、再帰的

単一の名前付きファイルの場合は、これをスキップしてパスを直接使用します。

3. 各動画のエビデンスバンドルを構築する（一度に1つ）

bash "$SKILL/scripts/process_video.sh" "<video>" "<out_dir>/<video-stem>"

これにより、音声を抽出→文字起こし、キーフレームをサンプリング→画面上のテキストをOCRし、 <out_dir>/<video-stem>/evidence.md（およびtranscript.txt、segments.tsv、frames/、 ocr.txt）を書き出します。CPUで長い動画は遅くなります。品質のためにWHISPER_MODEL=smallを設定するか、 CUDA GPUを使用して高速化します（自動検出、scripts/transcribe.pyのWHISPER_DEVICEを参照）。 動画は並列ではなく逐次的に処理します。

オプションのビジョンパス（Qwen-VL）。 OCRはテキストのみを読み取ります。テキストでは捉えられないもの（ グラフとそのトレンド、図、UIレイアウト、話者のジェスチャー）もキャプチャするには、保存された各キーフレームに キャプションを付けるビジョンモデルを有効にします。デフォルトではオフです。同じコマンドの環境変数で VISION_MODEL（および必要に応じてVISION_ENDPOINT）を設定してオンにします：

VISION_MODEL=qwen2.5-vl \
VISION_ENDPOINT=http://127.0.0.1:8081/v1/chat/completions \
  bash "$SKILL/scripts/process_video.sh" "<video>" "<out_dir>/<video-stem>"

オンにすると、evidence.mdにOCRとともに**「## 視覚的な説明」**セクションが追加されます — グラフ/図のスライドに使用します。OpenAI互換のビジョンエンドポイントであれば何でも動作します （llama-swap / llama.cpp / Ollamaなどのローカルサーバー、またはホスト型API、トークンが必要な場合はVISION_API_KEY）。 エンドポイントに到達できない場合も、OCRのみで実行は続行されます — 何も壊れません。

4. デッキを書く

evidence.md全体を読んでください。"$SKILL/templates/deck.marp.md" を <out_dir>/<video-stem>/deck.md にコピーし、埋めてください。ルール：

• marp: true フロントマターを維持 — これがスライドデッキにするものです。
• 話された内容には文字起こしを使用；正確なラベル、数字、タイトル、スライドに表示されたコードにはOCR/画面上のテキストを使用； **「視覚的な説明」**セクションが存在する場合（ビジョンパスが有効だった場合）、OCRでは伝えられない グラフ/図/UIに使用します。
• 主張には必要に応じてタイムスタンプを付けます：[00:04:12]。
• スライドのキーフレームをスライドに配置 — これはオプションの飾りではなく、デフォルトです。 ocr.txt 内の ### [timespan] frames/kf_####.jpg ブロックは、そのスライドの代表フレームを指定しています。 それをデッキスライドに反映させます：![](frames/kf_0007.jpg)。キーフレームはスライドのエビデンスであり、 箇条書きでは説明できない図/チャート/UIを示し、デッキが元のプレゼンテーションを反映するようにします。 スライドがMermaidで書き直した純粋な図のスライドである場合、またはフレームに視覚的な信号がない場合 （話しているだけのヘッド、空白のトランジション）にのみ省略します。1つの元スライドから2つのデッキスライドが 生じる場合は、同じスライドの2つの異なるフレームを使用し、同じフレームを繰り返さないでください。
• エビデンスが裏付けているものだけを含めます。文字起こしとOCRが両方とも空の場合は、デッキを 創作するのではなく、動画に抽出可能なコンテンツがなかったと述べてください。

密度 — デッキはエビデンスを統合する必要があり、要約して消してはいけません。 最もよくある失敗は薄っぺらいデッキです：4語の箇条書きが20スライドで、動画に実際に含まれていた ほとんどの内容を捨ててしまいます。エビデンスバンドルの構築はコストがかかります。デッキは人々が読むものです。

• 元のスライドごとに1つのデッキスライド。 OCRセクションの各 ### [timespan] frames/… ブロックは 動画の1つの実際のスライドです — そのリストがあなたのチェックリストであり、おおよそのスライド数です。 3つの元スライドを1つの箇条書きに統合しないでください。40分のトークは通常30～45スライドです。
• 具体性をスライドに載せてください。 エビデンスに存在するすべての数字、指標、しきい値、パーセンテージ、 製品名、CRD、設定キー、ラベルはスライド自体に含めるべきです。元のスライドに6つの箇条書きと4つの統計が あった場合、あなたのスライドには6つの箇条書きと4つの統計があるべきです — 「精度が向上しました」ではありません。
• 箇条書きは完全な行（約15～20語）であり、4語ではありません。 1スライドあたり5～8個が標準です。 簡潔であることは、元のスライドが簡潔だった場合にのみ正しいです。
• 元のスライドが表形式の場合はテーブルを使用 — ルーティングマトリックス、ベンチマークグリッド、 レベルの定義、優先順位ルールなど。サンプルではなく、すべての行と列を再現してください。
• スピーカーノートは付加的であり、スライドにはないが言われたこと（注意点、実体験、「なぜ」、 Q&Aの詳細）に使用します。スライドに属する内容を隠す場所ではありません。
• 終了前にカバレッジチェックを行ってください。 ocr.txt の ### [..] ブロックを順番にたどり、 それぞれが表現されていることを確認してください。ブロックをスキップした場合、それは前のスライドの 重複/アニメーションか、デモフレームのいずれかです — どちらであるかを言えるようにしてください。

5. 図のパス（「これは図にできるか？」のチェック）

各トピックについて、次のように問いかけてください：これは構造的か（コンポーネント＋接続、アクター間の 相互作用、プロセス/フロー、状態＋遷移、エンティティ＋関係）？ はいの場合、箇条書きの代わりに、 独自のスライドにMermaid（デフォルト）またはPlantUML図として描画してください。 "$SKILL/references/diagrams-cheatsheet.md" を参照して、コンテンツ→図の決定テーブルと コピペ用の骨格を確認してください。内容が単なるナラティブの場合は、図を強制しないでください。

6. （オプション）実際のスライドデッキをエクスポートする

bash "$SKILL/scripts/render.sh" "<out_dir>/<video-stem>/deck.md" pptx   # または pdf | html | all

これにより、図ブロックが画像にプリレンダリングされ、PPTX/PDFが生成されます。marp/mermaidが インストールされていない場合、デッキは単に.mdのままになります（それでも有効で表示可能です）。

ツリー全体を一度に処理するには、render.shをデッキごとに呼び出す代わりに、バッチドライバー（下記）に --pdfを追加してください。

バッチ / ネストされたフォルダ

フォルダ全体、特にネストされたコースツリーの場合、scripts/drive_decks.sh <root>を推奨します： これはbashでループし、動画ごとに新しいエージェントを生成して（モデルのコンテキストをあふれさせない）、 出力に元のサブフォルダをミラーリングするため、親→子の階層が保持されます。 scripts/rename_by_topic.sh <decks> はその後、各リーフをコースフォルダ内のトピックでスラッグ化します。 --pdf を追加すると、作成が完了したらすべてのデッキがPDFにエクスポートされます — Mermaidは画像にプリレンダリングされ、リーフフォルダは統合されるため、各PDFは親に配置されます （<out>/CourseA/lesson/deck.md → <out>/CourseA/lesson.pdf）、PDFごとのサブフォルダを回避します。 古い実行でフラットに生成されたデッキの階層を再構築するには、scripts/regroup_by_source.sh <decks> を使用します — 各 evidence.md の Source: 行を読み取り、各デッキをコースの親の下に配置します（重複は _duplicates/ に隔離）、 その後 rename を実行します。完全なバッチガイドについては README.md を参照してください。

参考資料

• references/marp-cheatsheet.md — Marpスライドの構文（セパレーター、画像、ノート、カラム）。
• references/diagrams-cheatsheet.md — いつ図を描画すべきか、および各タイプの構文。

注意事項

• OCRはスクリーンキャスト/スライド動画の画面上のテキストをうまくキャプチャします。実写映像の場合、 文字起こしがほとんどの情報を提供します — それに依存し、視覚情報について過大に主張しないでください。
• 文字起こし、OCR、レンダリングは常にローカルで行われます。オーサリングステップがマシンを離れるかどうかは、 --agent-cmd で指定するエージェントに完全に依存します。
• 設計はモデルに依存しません：bashを実行でき、ファイルを読み取れる任意のテキストエージェントがこのスキルを 使用できます。