utillayer/youtube-agent-skill

Transforme a transcrição de uma gravação bruta em uma lista de decisões de edição — silêncios, pistas de vícios de linguagem e retomadas, com timecodes.

O que é youtube-agent-skill?

Este skill gera uma lista de decisões de edição a partir de uma transcrição com timestamps (nos formatos SRT, VTT ou JSON do Whisper). Ele identifica três tipos de cortes: silêncios longos (DEAD) que são aparados do meio para evitar cortes bruscos, vícios de linguagem como 'hum', 'sabe', 'basicamente' (FILLER) em múltiplos idiomas, e frases reiniciadas (REPEAT) onde a tentativa abandonada é removida. Suporta plataformas como Claude Code (via ${CLAUDE_SKILL_DIR}) e outras ferramentas de IA, além de aceitar legendas automáticas do YouTube obtidas com yt-dlp. O skill não modifica mídia, apenas imprime os cortes sugeridos; cabe ao usuário aplicá-los no software de edição.

Funciona com✓Claude Code✓Codex CLI~Cursor

npx skills add https://github.com/utillayer/youtube-agent-skill/tree/HEAD/skills/yt-edit

Documentação

yt-edit

Uma lista de decisões de edição a partir de uma transcrição com timestamps. Ela exibe os cortes. Você os aplica.

python3 ${CLAUDE_SKILL_DIR}/deadair.py transcript.srt              # srt, vtt ou whisper json
python3 ${CLAUDE_SKILL_DIR}/deadair.py transcript.srt --floor 0.35 --json

As ferramentas estão na pasta deste skill. ${CLAUDE_SKILL_DIR} é essa pasta no Claude Code; em qualquer lugar onde ela não expandir (claude.ai, Codex), use a pasta de onde este SKILL.md foi carregado.

Ainda não tem transcrição? Peça uma ou produza uma primeiro — whisper, faster-whisper ou a faixa de legenda que o YouTube gera em um upload não listado funcionam. O .vtt de legendas automáticas do YouTube pode ser usado diretamente: os timings de palavras inline, as linhas repetidas e anotações do tipo [Música] são removidos ao carregar. Não adivinhe timings.

Tem um link mas não tem transcrição? As próprias legendas do YouTube, em uma linha:

yt-dlp --skip-download --write-auto-subs --sub-langs en --sub-format vtt -o transcript "<url do vídeo>"

Isso escreve transcript.en.vtt. Troque en pelo idioma do vídeo. Legendas automáticas não têm pontuação; uma transcrição do Whisper tem, e fornece limites de frase mais limpos.

O que ele encontra

DEAD — intervalos maiores que o limite, cortados do MEIO para que ambos os lados mantenham uma respiração. Cortar rente à fala é o que faz uma tomada apertada soar ofegante.
FILLER — pistas que são apenas "hum", "então", "basicamente" mais espanhol ("bueno", "o sea"), hindi ("matlab", "accha", "मतलब") e nepalês ("ani", "khai", "अनि"). Outros idiomas recebem DEAD e REPEAT, mas não lista de filler — informe isso.
REPEAT — uma frase reiniciada. Comparada com a última pista que era realmente fala, não a pista literal anterior, porque a maioria das retomadas tem um "hum" entre as duas tentativas. A tomada abandonada é a que é cortada, e geralmente é a mais curta das duas.

O que ele não fará

Ele não mexe em mídia. Não tem opinião sobre seu B-roll. Um corte de 40% no relatório é um corte de 40% da FALA, e se o vídeo tem uma longa demonstração silenciosa, esse número está errado — verifique o relatório contra o material antes de confiar no tempo de execução no final.

O portão

Nada aqui publica. Este skill escreve e você publica. Toda saída termina em um bloco que o usuário copia, e a última linha de cada execução é a pergunta: lançar, ou modificar?