Boson Video

Boson-Video

動画を最初から最後まで見なくても、要点を把握できます。 YouTube のリンクを貼り付けるか、動画ファイルをドロップしてください。要約、字幕、画面上のテキストの各行には、どの時点から得られたものかが記されます。質問には動画に基づいて回答し、動画と照合します。

• リボン： 動画全体を1本の帯に表示します（シーン、チャプター、再生回数の多い箇所）。ホバーすると、任意の時点の映像と単語を確認できます。
• 要約： 映像付きのセクションを表示します。各文にはタイムスタンプが付き、照合結果が示されます（✓ ? ✗）。
• 字幕： 原文の下に英語を表示し、専門用語を解説して、画面上のテキストも読み取ります。
• 質問： 該当する時点を引用し、映像を表示して回答します。動画に含まれていない内容は、背景情報として明記されます。
• 自分の AI： 同じドキュメントを、Claude、Cursor、Codex などで使える MCP プラグインとして利用できます。

中国語と英語に対応しており、少ししか分からない言語の長い講演、講義、金融系動画向けに作られています。

自分の AI で使う

Claude Code では、次の1行を実行します（実行には uv を使います。ほかにインストールするものはありません）。

claude mcp add boson-video -- uvx boson-video mcp

Claude Desktop、Cursor、Codex でも、MCP 設定に同じコマンド uvx boson-video mcp を指定します。claude.ai と ChatGPT では、代わりにウェブアドレスが必要です：各アプリのセットアップ。

その後、YouTube のリンクを貼り付けて質問します。AI が動画を開いて字幕を読み、重要な場面の映像をフル解像度で確認し、主張を照合して、すべての内容について該当する時点を引用します。キーは不要で、すべてお使いのコンピューター上で実行されます。インタラクティブなページを表示できるアプリ（Claude Desktop、claude.ai、ChatGPT、Cursor）では、動画のページがチャット内に直接開き、そこで質問すると AI に送られます。

ページを実行する

uvx boson-video web             # http://127.0.0.1:8770; the first run prints your invite code

2つのオプションモデルを使うと、より充実した内容になります。キーがなくても、シーン、字幕、検索は利用できます。

• ライター： 要約、英語、用語を作成します。デフォルトでは Inception の Mercury（INCEPTION_API_KEY）を使います。または、OpenAI 互換モデルを指定できます（BOSON_WRITER_BASE_URL、BOSON_WRITER_MODEL、BOSON_WRITER_API_KEY）。
• チェッカー： 各文を発言内容と照合し、質問に答える箇所を見つけます。TypeSafe の Jev を使います（TYPESAFE_API_KEY）。

キーは、起動元のフォルダーにある .env ファイルか、~/.boson-video/.env に記入してください。サーバーは起動時に、不足しているキーを知らせます。デフォルトでは無効です。OPENAI_API_KEY を設定して BOSON_SCREEN_CHECK=1 にすると、字幕だけでは確認できない文も、画面上の映像と照合します（OpenAI の Decisions API。動画1本あたり約1セント）。

テスト済みの動画

測定値は、範囲が示されている場合を除き、それぞれ1回実行した結果です。Mac：Appleの文字起こしツールを搭載したM5 MacBook。Windows：CPU上でSenseVoiceまたはParakeetを使用する12スレッドのノートPC。全表：docs/measured.md。

動画	長さ	シーンマップ	単語	文字起こしの誤り¹	画面上のテキスト	要約 ✓
Money or Life 美股频道、MetaとAI（zh、トークヘッド）	24:53	1.3 s	13.8 s (Mac)	人間による字幕なし	—	13 / 13
Money or Life 美股频道、AI創薬（zh、スライド）	28:24	1.1 s	18.5 s (Mac)	未評価	36の場面を読み取り	15 / 16
程序员老王、LLMのアブレーション（zh、アニメーション図解）	11:35	—	10.0 s (Windows)	未評価	88の場面。動画に埋め込まれた字幕を85の場面で判別	21 / 22～22 / 23（複数回実行）
陳永儀、TEDxTaipei（zh、講演）	14:29	—	7.1 s (Mac)	5.3%文字 (Mac)、4.8% (SenseVoice)	—	14 / 14
Ken Robinson、TED（en、講演）	20:06	—	9.9 s (Mac)	10.0%単語 (Mac)、10.5% (Parakeet)	—	22 / 25
Sean's AI Stories、エージェントの可観測性（en、画面録画）	20:48	1.5 s	13.2 s (Mac)	未評価	なし：YouTubeが最高解像度を拒否	23 / 26
Andrej Karpathy、LLM入門（en、スライド）	59:48	1.6 s	30.5 s (Mac)	自動字幕のみ	20枚中19枚のスライドを正しく識別	22 / 23
Rick Astley、Never Gonna Give You Up（高速カット）	3:33	0.7 s	—	—	—	—

¹ 人間による字幕との比較（scripts/accuracy.py）。英語の誤りの約半数は、字幕では省略されているフィラー語です。 要約 ✓：チェッカーが発言内容と照合して確認した要約文（Jev。数値はコード内で比較）。

コマンドライン

uvx boson-video <link | id | file>        # build a video: scenes, words, screen text, summary
uvx boson-video ask <video> "question"    # the moment that answers it
uvx boson-video models                    # fetch the local speech models now instead of on first use

クローンした場合は、uv syncを実行してからuv run boson-video …を実行します。uv run pytestでテストを実行できます（オフライン）。

詳細

• docs/workflow.md：ワークフローの設計について。各段階、ドキュメント、その活用方法
• docs/how-it-works.md：パイプライン、YouTubeで許可されていること、制限事項
• docs/DIRECTION.md：開発内容、マイルストーン、決定事項
• docs/timeline-format.md：他のツール向けのドキュメント形式
• CONTRIBUTING.md：セットアップ、テスト、変更の提案方法
• AGENTS.md：コーディングエージェント向けガイド

MITライセンスです。YouTubeの利用規約では製品による自動アクセスが認められていないため、YouTubeにアクセスする処理はすべてご自身のコンピューター上で実行されます。