Communitygithub.com

Video & Podcast Digest Skill

動画やポッドキャストのリンク(YouTube、Bilibili、Xの動画、小宇宙、Apple Podcasts、直接メディアURL)を送信すると、全文文字起こしと構造化されたサマリーを生成します。

Video & Podcast Digest Skill とは?

このスキルは、動画やポッドキャストのリンクを受け取り、自動的に文字起こしを行い、構造化されたサマリーを生成するツールです。YouTube、Bilibili、X/Twitter、小宇宙(Xiaoyuzhou)、Apple Podcasts、および.mp3/.mp4などの直接メディアURLをサポートします。処理パイプラインは、まずメディアの種類を検出し、字幕があればそれを抽出し、なければGroqのWhisper APIを使って音声を文字起こしします。その後、メディアの長さに応じて、ビデオ向け(20分以下)またはポッドキャスト向け(20分超)の形式でサマリーを生成します。大規模な音声ファイルは25MB制限に対応するために10分ごとに分割され、レート制限やタイムアウトなどのエラー処理も組み込まれています。このスキルは、開発者がメディアコンテンツを迅速に理解し、情報を効率的に抽出するのに役立ちます。

対応~Claude Code✓Codex CLI~Cursor
npx skills add https://github.com/runesleo/x-reader/tree/HEAD/skills/video

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 & Podcast Digest Skill(動画・ポッドキャスト要約スキル)

動画/ポッドキャストのリンクを送信 → 全文文字起こし + 構造化サマリーを取得

サポート対象プラットフォーム

プラットフォーム種類字幕Whisper文字起こし
YouTube動画✅✅
Bilibili動画✅✅
X/Twitter動画❌✅
小宇宙 (Xiaoyuzhou)ポッドキャスト❌✅
Apple Podcastsポッドキャスト❌✅
直接リンク (mp3/mp4/m3u8)任意❌✅

トリガー

メディアURLが検出されると自動的にトリガーされます:

  • YouTube: youtube.com, youtu.be
  • Bilibili: bilibili.com, b23.tv
  • X/Twitter: x.com, twitter.com(動画を含むツイート)
  • 小宇宙: xiaoyuzhoufm.com
  • Apple Podcasts: podcasts.apple.com
  • 直接リンク: .mp3, .mp4, .m3u8, .m4a, .webm

パイプライン

ステップ0: メディアタイプの検出

URLパターン種類パイプライン
xiaoyuzhoufm.com/episode/ポッドキャスト→ ステップ1b(小宇宙)
podcasts.apple.comポッドキャスト→ ステップ1c(Apple)
bilibili.com, b23.tv動画→ ステップ1d(Bilibili API)
.mp3, .m4a 直接リンク音声→ ステップ2b(直接ダウンロード)
その他動画→ ステップ1a(字幕抽出)

ステップ1a: 動画 — 字幕の抽出

# 一時ファイルをクリーンアップ
rm -f /tmp/media_sub*.vtt /tmp/media_audio.mp3 /tmp/media_transcript*.json /tmp/media_segment_*.mp3 2>/dev/null || true

# YouTube(英語優先、フォールバック中国語)
yt-dlp --skip-download --write-auto-sub --sub-lang "en,zh-Hans" -o "/tmp/media_sub" "VIDEO_URL"

# Bilibili
yt-dlp --skip-download --write-auto-sub --sub-lang "zh-Hans,zh" -o "/tmp/media_sub" "VIDEO_URL"

字幕の有無を確認:

ls /tmp/media_sub*.vtt 2>/dev/null
  • 字幕あり → VTT内容を読み込み、ステップ3へ
  • 字幕なし → ステップ2a(音声ダウンロード)

ステップ1b: 小宇宙 (Xiaoyuzhou) — 音声URLの抽出

# __NEXT_DATA__からCDN直接リンクを抽出
# 小宇宙はNext.js SPAですが、初期HTMLに__NEXT_DATA__内の音声URLが含まれています
AUDIO_URL=$(curl -sL -H "User-Agent: Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36" \
  "EPISODE_URL" \
  | grep -oE 'https://media\.xyzcdn\.net/[^"]+\.(m4a|mp3)' \
  | head -1)

echo "Audio URL: $AUDIO_URL"

# 音声をダウンロード
curl -L -o /tmp/media_audio.mp3 "$AUDIO_URL"

curl抽出が空の場合(稀):フォールバックとしてPuppeteer/ブラウザを使用してレンダリングされたページを取得します。

→ ステップ2b(サイズ確認&文字起こし)

ステップ1c: Apple Podcasts — yt-dlp経由

yt-dlp -f "ba[ext=m4a]/ba/b" --extract-audio --audio-format mp3 --audio-quality 5 \
  -o "/tmp/media_audio.%(ext)s" "APPLE_PODCAST_URL"

→ ステップ2b(サイズ確認&文字起こし)

ステップ1d: Bilibili — APIによる直接音声ストリーム

yt-dlpはcookieがあってもBilibiliで412エラーを返すため、BilibiliのAPIを使用します:

# 1. URLからBV番号を抽出
BV="BV1xxxxx"  # 実際のBV番号に置き換え

# 2. 動画情報を取得(タイトル、再生時間、CID)
curl -s "https://api.bilibili.com/x/web-interface/view?bvid=$BV" \
  -H "User-Agent: Mozilla/5.0" -H "Referer: https://www.bilibili.com/" \
  | python3 -c "import json,sys; d=json.load(sys.stdin)['data']; print(f'Title: {d[\"title\"]}\nDuration: {d[\"duration\"]}s\nCID: {d[\"cid\"]}')"

# 3. 音声ストリームURLを取得
CID=<前のステップからのCID>
AUDIO_URL=$(curl -s "https://api.bilibili.com/x/player/playurl?bvid=$BV&cid=$CID&fnval=16&qn=64" \
  -H "User-Agent: Mozilla/5.0" -H "Referer: https://www.bilibili.com/" \
  | python3 -c "import json,sys; print(json.load(sys.stdin)['data']['dash']['audio'][0]['baseUrl'])")

# 4. 音声をダウンロード(Refererヘッダー必須、ないと403)
curl -L -o /tmp/media_audio.m4s \
  -H "User-Agent: Mozilla/5.0" -H "Referer: https://www.bilibili.com/" "$AUDIO_URL"

# 5. mp3に変換
ffmpeg -y -i /tmp/media_audio.m4s -acodec libmp3lame -q:a 5 /tmp/media_audio.mp3

→ ステップ2b(サイズ確認&文字起こし)

ステップ2a: 動画 — 音声をダウンロード(字幕がない場合)

# YouTubeはボット検出を回避するために --cookies-from-browser chrome が必要な場合があります
yt-dlp --cookies-from-browser chrome -f "ba[ext=m4a]/ba/b" --extract-audio --audio-format mp3 --audio-quality 5 \
  -o "/tmp/media_audio.%(ext)s" "VIDEO_URL"

ステップ2b: 音声サイズの確認と分割

FILE_SIZE=$(stat -f%z /tmp/media_audio.* 2>/dev/null || stat -c%s /tmp/media_audio.* 2>/dev/null)
echo "File size: $FILE_SIZE bytes"
  • ≤ 25MB (25000000) → ステップ2c(直接文字起こし)
  • > 25MB → まず分割し、各セグメントを文字起こし

大きな音声(>25MB)の分割:

# 総再生時間を取得
DURATION=$(ffprobe -v error -show_entries format=duration -of csv=p=0 /tmp/media_audio.* | head -1)

# 10分間のセグメントに分割(各セグメントが25MB未満になるように)
SEGMENT_SEC=600
SEGMENTS=$(python3 -c "import math; print(math.ceil(float('$DURATION')/$SEGMENT_SEC))")

# セグメントをカット
for i in $(seq 0 $((SEGMENTS-1))); do
  START=$((i * SEGMENT_SEC))
  ffmpeg -y -i /tmp/media_audio.* -ss $START -t $SEGMENT_SEC -acodec libmp3lame -q:a 5 \
    "/tmp/media_segment_${i}.mp3" 2>/dev/null
done

→ 各セグメントに対して順次ステップ2cを呼び出し(並列実行はGroqの524タイムアウトの原因),結果を結合

ステップ2c: Whisper文字起こし

前提条件: GROQ_API_KEY 環境変数

# APIキーを確認
if [ -z "$GROQ_API_KEY" ]; then
  echo "❌ GROQ_API_KEYが設定されていません。https://console.groq.com/keys で取得してください。"
  exit 1
fi

# 単一ファイルの文字起こし(AUDIO_FILEを実際のパスに置き換え)
curl -s -X POST "https://api.groq.com/openai/v1/audio/transcriptions" \
  -H "Authorization: Bearer $GROQ_API_KEY" \
  -H "Content-Type: multipart/form-data" \
  -F "file=@AUDIO_FILE" \
  -F "model=whisper-large-v3-turbo" \
  -F "response_format=verbose_json" \
  -F "language=zh" \
  > /tmp/media_transcript.json

# プレーンテキストを抽出
python3 -c "import json; print(json.load(open('/tmp/media_transcript.json'))['text'])"

Whisperモデルのオプション:

モデル速度精度ユースケース
whisper-large-v3-turboリアルタイムの10倍高デフォルト選択
whisper-large-v3リアルタイムの5倍最高プロフェッショナル/ノイズの多いコンテンツ

言語パラメータ:

  • 中国語: language=zh
  • 英語: language=en
  • 自動検出: languageパラメータを省略

ステップ3: 構造化サマリー

メディアの種類に応じて出力形式を選択:

動画(20分以下):

  1. 概要(1〜2文)
  2. 主要ポイント(3〜5箇条書き)
  3. 注目の引用(ある場合)
  4. アクションアイテム(該当する場合)

ポッドキャスト(20分超):

  1. 概要(2〜3文:誰が何を議論したか)
  2. 章ごとのサマリー(トピックごとに分割、各2〜3文)
  3. 主要ポイント(5〜8箇条書き)
  4. 注目の引用
  5. アクションアイテム(該当する場合)

出力形式

動画

## 📺 動画ダイジェスト

**タイトル**: [動画タイトル]
**再生時間**: [x分]
**言語**: [中国語/英語]

### 概要
[1〜2文のサマリー]

### 主要ポイント
1. [ポイント1]
2. [ポイント2]
...

### 注目の引用
> "xxx" — [タイムスタンプ]

### アクションアイテム
- [該当する場合]

ポッドキャスト

## 🎙️ ポッドキャストダイジェスト

**番組名**: [ポッドキャスト名]
**エピソード**: [エピソードタイトル]
**再生時間**: [x分]
**ゲスト**: [いる場合]

### 概要
[2〜3文:誰が何を議論したか、核心的な結論]

### 章ごとのサマリー
#### 1. [トピック] (~xx:xx-xx:xx)
[2〜3文の核心的な内容]

#### 2. [トピック] (~xx:xx-xx:xx)
[2〜3文の核心的な内容]
...

### 主要ポイント
1. [ポイント1]
2. [ポイント2]
...

### 注目の引用
> "xxx"

### アクションアイテム
- [該当する場合]

エラーハンドリング

状況対応
字幕なし + GROQ_API_KEYなしユーザーにAPIキーの設定を促す
字幕なし + APIキーあり自動Whisper文字起こし
小宇宙のcurl抽出が空Puppeteer/ブラウザを使用してレンダリングされたHTMLを取得
音声 >25MBffmpegで分割(10分/セグメント)、順次文字起こし
ポッドキャスト >2時間ユーザーに再生時間を警告し、続行するか確認
Groq 524タイムアウト並列化せず、セグメント間で5〜8秒間スリープして順次文字起こし
Groq 429レート制限1時間あたり7200秒の制限、retry-afterヘッダーを待ってから再試行
yt-dlp Bilibili 412代わりにBilibili APIを使用(ステップ1d)
yt-dlp YouTubeボット検出--cookies-from-browser chrome を追加
ネットワークタイムアウト1回再試行
Spotifyリンクユーザーに通知:非対応(DRM保護)

Groq Whisperの制限

  • リクエストあたり最大25MB
  • 無料枠:1時間あたり7200秒の音声(ローリングウィンドウ)、1日あたり約20時間
  • 対応フォーマット:mp3, mp4, mpeg, mpga, m4a, wav, webm

依存関係

  • yt-dlp: 動画ダウンロード + 字幕抽出
  • ffmpeg: 音声変換 + 分割
  • curl: 小宇宙の音声ダウンロード、Bilibili API
  • GROQ_API_KEY: Whisper文字起こしAPI(https://console.groq.com/keys で無料取得可能)

関連スキル