ビデオプロセッサー は何をしますか?
手順
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、および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:音声認識モデル
# 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により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用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、以下のコマンドを備えたシンプルな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での使用に適しています
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(ウェブ最適化)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はウェブ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、音声ファイルまたは動画ファイルをテキストに変換します:
# 動画ファイルを文字起こし(音声は自動的に抽出されます)
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、最低速(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:出力フォーマット(デフォルト: txt)。オプション: txt, srt, vtt, json
文字起こしワークフロー:
- 入力が動画の場合、FFmpegが音声を一時的なWAVファイルに抽出します
- Whisperが音声ファイルを処理します
- 文字起こし結果が要求されたフォーマットで保存されます
- 一時ファイルは自動的にクリーンアップされます
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. ウェブ形式に変換
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はそれ自体では音声を文字起こししません。外部の文字起こしのために音声を準備します。
- ワークフローは次のとおりです:音声抽出(FFmpeg)→ 文字起こし(Whisper)→ オプションで動画と再統合
- FFmpegは、リアルタイム処理のために音声を直接Whisperにパイプすることもできます(高度なユースケース)
文字起こし用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が最適です(スクリプトが自動的に変換します)
- スクリプトはWhisperに最適な設定で音声を抽出します
出力フォーマット:
- txt:プレーンテキストの書き起こし
- srt:SubRip字幕形式(タイムスタンプを含む)
- vtt:WebVTT字幕形式(ウェブ標準)
- 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
- 依存関係が不足している場合、明確なエラーメッセージを表示
- エラー発生時の一時ファイルクリーンアップを処理
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 - 最大の精度が必要な場合にのみ
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、より小さなファイルを生成します
例
例1:動画をMP4に簡単変換
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に変換してくれない?
あなたの対応:
- 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 - 変換が正常に完了したことを確認
- 出力ファイルの場所をユーザーに伝える
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、書き起こしが必要なんだ。音声を抽出して文字起こししてくれない?
あなたの対応:
- まず音声を抽出:
uv run .claude/skills/video-processor/scripts/video_processor.py extract-audio lecture.mp4 lecture.wav - 次にbaseモデルを使用して文字起こし(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 - ユーザーにtranscript.txtファイルを共有
例3:字幕付きウェブ最適化動画の作成
ユーザーリクエスト:
この動画をウェブサイトに字幕付きで載せたいんだけど、手伝ってくれる?
あなたの対応:
- ウェブ最適化のためにWebMに変換:
uv run .claude/skills/video-processor/scripts/video_processor.py to-webm presentation.mp4 presentation.webm - 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 - ユーザーに以下のファイルがあることを伝える:
- presentation.webm(ウェブ最適化動画)
- 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:
出版用に正確な書き起こしが必要なスペイン語インタビュー動画があるんだ。
あなたの対応:
- 最高の精度を得るために、より大きなモデルと言語を指定:
uv run .claude/skills/video-processor/scripts/video_processor.py transcribe interview.mp4 transcript.txt --model medium --language es - 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 - ユーザーと書き起こし結果を確認し、必要に応じて修正する
例5:複数動画のバッチ処理
ユーザーリクエスト:
トレーニング動画が入ったフォルダがあるんだけど、全部WebMに変換して文字起こししてほしい。
あなたの対応:
- ディレクトリ内のすべての動画ファイルをリストアップ:
ls training_videos/*.mp4 - 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 # 各ファイルに対して繰り返し - すべての変換と文字起こしが完了したことを確認
- 出力ファイルのサマリーを提供
サマリー
video-processorスキルは、一般的な動画処理タスクのための統合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(ウェブ最適化)に変換
- 文字起こし:複数の出力形式に対応した音声認識
- 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、適切なデフォルト値と包括的なエラーハンドリングを備えた、単一の十分に文書化されたスクリプトを通じて処理されます。