ビデオプロセッサ
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、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:ビデオ/オーディオ処理用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によりスクリプト内で管理):
- click(CLIフレームワーク)
- ffmpeg-python(FFmpegの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)。対応形式: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Web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文字起こしします:
# 動画ファイルを文字起こし(音声は自動抽出されます)
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
文字起こしのワークフロー:
- 入力が動画の場合、FFmpegが一時的なWAVファイルに音声を抽出
- Whisperが音声ファイルを処理
- 文字起こしを要求されたフォーマットで保存
- 一時ファイルは自動的にクリーンアップ
5. 複合ワークフローの例
動画をエンドツーエンドで処理:
# 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. Web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自体は文字起こしを行いません。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:動画との再統合
- 高度なユースケースとして、FFmpegはリアルタイム処理のために音声をWhisperに直接パイプできます
文字起こし用の音声フォーマット:
- WhisperはWAVまたはMP3形式で最も良好に動作します
- 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を処理します)
- 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トランスクリプト
- srt:SubRip字幕形式(タイムスタンプを含む)
- vtt:WebVTT字幕形式(Web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チェック
- 依存関係が不足している場合に明確なエラーメッセージを表示
- エラー発生時に一時ファイルをクリーンアップ
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によるWebM変換は時間がかかりますが、ファイルサイズは小さくなります
例
例1:動画のMP4へのクイック変換
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に変換できますか?
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知らせる
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、トランスクリプトが必要です。音声を抽出して文字に起こせますか?
あなたの対応:
- 最初に音声を抽出:
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(速度と精度のバランスが良い):
uv run .claude/skills/video-processor/scripts/video_processor.py transcribe lecture.mp4 transcript.txt --model base - transcript.txtファイルをユーザーと共有
例3:字幕付きのWeb最適化動画を作成
ユーザーリクエスト:
この動画を字幕付きでウェブサイトに載せたいんですけど、手伝ってもらえますか?
あなたの対応:
- Web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用意できたことを知らせる:
- presentation.webm(Web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な文字起こし
ユーザーリクエスト:
出版用に正確なトランスクリプトが必要なスペイン語のインタビュー動画があります。
あなたの対応:
- 最高の精度を得るために、言語を指定して大きめのモデルを使用:
uv run .claude/skills/video-processor/scripts/video_processor.py transcribe interview.mp4 transcript.txt --model medium --language es - レビュー用にオプションでSRTも作成:
uv run .claude/skills/video-processor/scripts/video_processor.py transcribe interview.mp4 transcript.srt --format srt --model medium --language es - ユーザーとトランスクリプトを確認し、必要に応じて修正
例5:複数動画のバッチ処理
ユーザーリクエスト:
トレーニング動画のフォルダがあるんだけど、全部WebMに変換して文字起こしする必要があります。
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:
# 各動画に対して: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
まとめ
video-processorスキルは、一般的な動画処理タスクのための統一された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(Web最適化)に変換
- 文字起こし:複数の出力フォーマットでの音声認識
- 柔軟性:モデル選択、言語、出力フォーマットのCLI引数
すべての操作は、適切なデフォルト設定と包括的なエラーハンドリングを備えた、単一のよく文書化されたスクリプトを通じて処理されます。