video-processor

動画プロセッサー

使用方法

このスキルでは、yt-dlp、FFmpeg、OpenAI の Whisper モデルを使用した、YouTube 動画のダウンロード、音声の抽出、形式の変換、音声の文字起こしなど、包括的な動画処理ユーティリティを提供します。

前提条件

必須ツール（環境にインストールされている必要があります）：

• yt-dlp：YouTube やその他数千のサイトに対応した動画ダウンローダー

  # Install via pip
  pip install -U yt-dlp
  
  # Verify installation
  yt-dlp --version
  

• FFmpeg：動画・音声処理用のマルチメディアフレームワーク

  # macOS
  brew install ffmpeg
  
  # Ubuntu/Debian
  apt-get install ffmpeg
  
  # Verify installation
  ffmpeg -version
  

• OpenAI Whisper：音声テキスト変換用の文字起こしモデル

  # Install via pip
  pip install -U openai-whisper
  
  # Verify installation
  whisper --help
  

Python パッケージ（PEP 723 によりスクリプトに含まれています）：

• click（CLI フレームワーク）
• ffmpeg-python（FFmpeg 用 Python ラッパー）
• yt-dlp（動画ダウンローダー）

ワークフロー

すべての動画処理タスクに scripts/video_processor.py スクリプトを使用します。このスクリプトでは、次のコマンドを備えたシンプルな CLI を利用できます。

0. YouTube またはその他のプラットフォームから動画をダウンロード（新機能！）

YouTube や、その他数千の対応ウェブサイトから動画をダウンロードします。

# Download video
uv run .claude/skills/video-processor/scripts/video_processor.py download "https://youtube.com/watch?v=..." output.mp4

# Download audio only (as MP3)
uv run .claude/skills/video-processor/scripts/video_processor.py download "https://youtube.com/watch?v=..." --audio-only

# Show video info without downloading
uv run .claude/skills/video-processor/scripts/video_processor.py download "https://youtube.com/watch?v=..." --info

# Download with subtitles
uv run .claude/skills/video-processor/scripts/video_processor.py download "https://youtube.com/watch?v=..." output.mp4 --subtitle

オプション：

• --audio-only：音声のみをダウンロードします（MP3 に抽出）
• --subtitle：字幕をダウンロードして埋め込みます（en、zh-Hans、zh-Hant に対応）
• --info：ダウンロードせずに動画情報を表示します
• --format：動画形式の優先設定を指定します（デフォルト：最高品質）

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：出力音声形式（デフォルト：wav）。対応形式：wav、mp3、aac、flac
• 出力は文字起こしまたは単独の音声利用に適しています

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：動画コーデック（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・品質のプリセット（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（ウェブ向けに最適化）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：動画コーデック（デフォルト：libvpx-vp9）。オプション：libvpx、libvpx-vp9
• WebM はウェブ再生とストリーミング向け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。

# Transcribe video file (audio will be extracted automatically)
uv run .claude/skills/video-processor/scripts/video_processor.py transcribe input.mp4 transcript.txt

# Transcribe audio file directly
uv run .claude/skills/video-processor/scripts/video_processor.py transcribe audio.wav transcript.txt

オプション：

• --model：Whisper モデルのサイズ（デフォルト：base）。オプション：
  • tiny：最速、精度は最低（約 1GB RAM）
  • base：高速で精度も良好（約 1GB RAM）［デフォルト］
  • small：バランス型（約 2GB RAM）
  • medium：高精度（約 5GB RAM）
  • large：最高精度、最も低速（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：出力形式（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：

1. 入力が動画の場合、FFmpeg が音声を一時 WAV ファイルに抽出します
2. Whisper が音声ファイルを処理します
3. 文字起こし結果が指定された形式で保存されます
4. 一時ファイルは自動的に削除されます

5. ワークフローの組み合わせ例

動画を一連の処理で処理します。

# 1. Extract audio for analysis
uv run .claude/skills/video-processor/scripts/video_processor.py extract-audio lecture.mp4 lecture.wav

# 2. Transcribe to SRT subtitles
uv run .claude/skills/video-processor/scripts/video_processor.py transcribe lecture.mp4 lecture.srt --format srt --model small

# 3. Convert to web format
uv run .claude/skills/video-processor/scripts/video_processor.py to-webm lecture.mp4 lecture.webm

主な技術的詳細

FFmpeg と Whisper の連携：

• FFmpeg 自体は音声を文字起こししません。外部の文字起こし処理に向けて音声を準備します
• ワークフローは次のとおりです：音声を抽出（FFmpeg）→ 文字起こし（Whisper）→ 必要に応じて動画に再統合
• FFmpeg はリアルタイム処理向けに、音声を Whisper に直接パイプすることもできます（高度な使用例）

文字起こし用の音声形式：

• Whisper は WAV または MP3 形式で最もよく動作します
• 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

出力形式：

• txt：プレーンテキストの文字起こし
• srt：SubRip 字幕形式（タイムスタンプを含む）
• vtt：WebVTT 字幕形式（ウェブ標準）
• json：単語単位のタイムスタンプを含む詳細な JSON

エラー処理

このスクリプトには包括的なエラー処理が含まれています。

• 入力ファイルの存在を検証します
• FFmpeg と Whisper がインストールされているか確認します
• 必須の依存関係が不足している場合、明確なエラーメッセージを表示します
• エラー発生時に一時ファイルを処理します

パフォーマンスのヒント

• 素早く下書きを作成するには、tiny または base モデルを使用します
• 本番環境での文字起こしには、small または medium を使用します
• 最大限の精度が必要な場合にのみ、large を使用します
• 長い動画の場合は、まず音声を抽出してから、区切って文字起こしすることを検討してください
• VP9 を使用した WebM への変換は時間がかかりますが、ファイルサイズを小さくできます

例

例 1：動画をすばやく MP4 に変換する

ユーザーのリクエスト：

I have an AVI file from my old camera. Can you convert it to MP4?

次のように実行します：

1. デフォルト設定で to-mp4 コマンドを使用します：

   uv run .claude/skills/video-processor/scripts/video_processor.py to-mp4 old_video.avi output.mp4
   

2. 変換が正常に完了したことを確認します
3. 出力ファイルの場所をユーザーに伝えます

例 2：音声を抽出して文字起こしする

ユーザーのリクエスト：

I recorded a lecture video and need a transcript. Can you extract the audio and transcribe it?

次のように実行します：

1. まず音声を抽出します：

   uv run .claude/skills/video-processor/scripts/video_processor.py extract-audio lecture.mp4 lecture.wav
   

2. 次に、base モデルを使用して文字起こしします（速度と精度のバランスに優れています）：

   uv run .claude/skills/video-processor/scripts/video_processor.py transcribe lecture.mp4 transcript.txt --model base
   

3. transcript.txt ファイルをユーザーに共有します

例 3：字幕付きの Web 最適化動画を作成する

ユーザーのリクエスト：

I need to put this video on my website with subtitles. Can you help?

次のように実行します：

1. Web 向けに最適化するため、WebM に変換します：

   uv run .claude/skills/video-processor/scripts/video_processor.py to-webm presentation.mp4 presentation.webm
   

2. SRT 字幕ファイルを生成します：

   uv run .claude/skills/video-processor/scripts/video_processor.py transcribe presentation.mp4 subtitles.srt --format srt --model small
   

3. 次のファイルが作成されたことをユーザーに伝えます：
   • presentation.webm（Web 向けに最適化された動画）
   • subtitles.srt（埋め込み用の字幕ファイル）

例 4：言語を指定して高品質な文字起こしを行う

ユーザーのリクエスト：

I have a Spanish interview video that needs an accurate transcript for publication.

次のように実行します：

1. 最良の精度を得るため、言語を指定して大きなモデルを使用します：

   uv run .claude/skills/video-processor/scripts/video_processor.py transcribe interview.mp4 transcript.txt --model medium --language es
   

2. 必要に応じて、確認用の SRT を作成します：

   uv run .claude/skills/video-processor/scripts/video_processor.py transcribe interview.mp4 transcript.srt --format srt --model medium --language es
   

3. ユーザーと文字起こしの内容を確認し、必要な修正を行います

例 5：複数の動画を一括処理する

ユーザーのリクエスト：

I have a folder of training videos that all need to be converted to WebM and transcribed.

次のように実行します：

1. ディレクトリ内のすべての動画ファイルを一覧表示します：

   ls training_videos/*.mp4
   

2. 各動画ファイルに対して、変換と文字起こしを実行します：

   # For each video: video1.mp4, video2.mp4, etc.
   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
   
   # Repeat for each file
   

3. すべての変換と文字起こしが完了したことを確認します
4. 出力ファイルの概要を提示します

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します
• 形式変換：MP4（汎用）または WebM（Web 向けに最適化）に変換します
• 文字起こし：複数の出力形式に対応した音声からテキストへの変換です
• 柔軟性：モデルの選択、言語、出力形式を指定する CLI 引数を利用できます

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処理を備えた、単一の十分に文書化されたスクリプトを通じて実行されます。