mcpField
M
media-understand

media-understand

github.com/infquestクリエイティブ・メディア053 回インストール40 週間前に更新
リポジトリ

media-understand について

Gemini 2.5 Flash を使い、ファイルや対応 URL の画像、動画、音声を分析するスキルです。プロンプトを指定でき、中国語または英語で結果を出力します。

主な機能

  1. 01対応画像形式の分析
  2. 02動画ファイルと YouTube URL の分析
  3. 03音声の文字起こしと要約
  4. 04プロンプトによるメディア内容の質問
  5. 05中国語または英語での出力

活用シーン

  1. 01スクリーンショットからの文字抽出
  2. 02画像やグラフについての質問
  3. 03YouTube 動画の要約
  4. 04録音の文字起こしや要約

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/infquest/vibe-ops-plugin --skill media-understand

インストール後、Claude Code で/media-understandを入力して読み込まれたか確認します。

同梱ファイルmedia-understand.js

詳細

メディアの理解

Gemini 2.5 Flash を使用して、マルチメディアコンテンツを分析、理解します。

対応フォーマット

種類フォーマット最大サイズ
画像jpg, jpeg, png, gif, webp20MB
動画mp4, mpeg, mov, webm, YouTube URL100MB
音声wav, mp3, aiff, aac, ogg, flac, m4a100MB

前提条件

  1. MAX_API_KEY 環境変数（Max が自動的に注入します）
  2. Bun 1.0+（Max v0.0.27+ に組み込み済みのため、追加インストールは不要です）

使用方法

bun skills/media-understand/media-understand.js <media_path_or_url> [prompt] [language]

引数:

  • media_path_or_url: ファイルパスまたは YouTube URL
  • prompt: 質問または分析の依頼（デフォルト: "このコンテンツについて説明してください"）
  • language: 出力言語 - chinese または english（デフォルト: chinese）

例

画像の分析
# Describe image
bun skills/media-understand/media-understand.js ./photo.jpg "请描述这张图片" chinese

# OCR - Extract text
bun skills/media-understand/media-understand.js ./screenshot.png "识别图片中的所有文字" chinese

# Answer question about image
bun skills/media-understand/media-understand.js ./chart.png "这个图表显示了什么趋势？" chinese
動画の分析
# YouTube video summary
bun skills/media-understand/media-understand.js "https://youtube.com/watch?v=xxx" "总结这个视频的主要内容" chinese

# Local video analysis
bun skills/media-understand/media-understand.js ./video.mp4 "视频中发生了什么？" chinese

# Timestamp-based question
bun skills/media-understand/media-understand.js "https://youtu.be/xxx" "视频 2:30 处讲了什么？" chinese
音声の分析
# Transcribe audio
bun skills/media-understand/media-understand.js ./recording.mp3 "请转录这段音频" chinese

# Summarize podcast
bun skills/media-understand/media-understand.js ./podcast.m4a "总结这段播客的要点" chinese

# Detect speakers
bun skills/media-understand/media-understand.js ./meeting.wav "识别不同的说话人并整理他们说的内容" chinese

よく使われるプロンプト

画像:

  • 画像の説明: "この画像の内容を詳しく説明してください"
  • OCR: "画像内のすべてのテキストを認識して抽出してください"
  • 物体認識: "画像にはどのような物体がありますか？"

動画:

  • 要約: "この動画の主な内容を要約してください"
  • タイムスタンプ: "動画の X:XX では何が起きていますか？"
  • 情報の抽出: "動画ではどのような重要な情報が述べられていますか？"

音声:

  • 書き起こし: "この音声の内容をすべて書き起こしてください"
  • 要約: "この音声の要点を要約してください"
  • 話者の識別: "異なる話者を識別してください"

注意事項

  • Gemini 経由の動画: YouTube URL で最良の結果が得られます。ローカルの動画ファイルはサポートが限定される場合があります。
  • 音声トークン: 約 32 トークン/秒
  • 動画トークン: デフォルト解像度で約 300 トークン/秒
  • 長いメディアファイルほど、多くのトークンを消費します

エラー処理

ファイルが見つからない場合: ファイルパスが正しいことを確認してください

未対応のフォーマット: 上記の対応フォーマットを使用してください

ファイルサイズが大きすぎる場合: メディアファイルを圧縮するか、トリミングしてください

API エラー: Max の設定で Max API Key が正しく設定されているか確認してください

コメント

Markdown 対応