youtube-transcribe

YouTube の文字起こし

動画を1本、あるいはトピック全体にわたる動画群を、実際に読んで考察できるテキストに変換します。目的は文字起こしを返して終わることではなく、動画から得られる知識を吸収し、役立つ形で報告することです。

パイプライン：**検索 → ダウンロード → 文字起こし → （フレームを見る） → （Gemini に質問する） → 統合。**ほとんどのタスクでは中間部分だけで十分です。話された言葉だけでは足りない場合に、視覚的な手順を使います。

セットアップ（各マシンで一度だけ）

S=.claude/skills/youtube-transcribe/scripts
bash "$S/setup.sh"    # creates a venv, installs yt-dlp + elevenlabs + google-genai (idempotent)

Debian/Ubuntu で venv の作成に失敗する場合は、先に python3-venv をインストールしてください（sudo apt-get install -y python3-venv）。

**キー：**文字起こしでは ELEVENLABS_API_KEY を、Gemini のフォールバックでは GEMINI_API_KEY を読み込みます。これらを環境変数に設定するか、scripts/load-keys.local.sh を作成して、任意の方法でキーを取得してください（ラッパーが自動で読み込みます。また、gitignore に登録されているため、配布物に含まれることはありません）。キーを出力に表示しないでください。

モード A — 動画1本

S=.claude/skills/youtube-transcribe/scripts
OUT=/tmp/claude/youtube-transcribe/<video-id>        # scratch; never a repo

bash "$S/download.sh"   "<url>" "$OUT" audio          # audio.mp3 + metadata.json
bash "$S/transcribe.sh" "$OUT/audio.mp3" "$OUT"        # transcript.txt + .diarized.txt + .json

次に transcript.diarized.txt（タイムスタンプ付き、話者ごとにグループ化）を読み、重要な点をまとめてください。主張、手順や方法、具体的な主張、数値、実行可能な内容を記載します。余分な部分は省いてください。チュートリアルなら実際のやり方を、講演なら論旨と根拠をまとめてください。

transcribe.sh のフラグ：--no-diarize（話者を1人として扱う）、--lang spa（言語のヒント。省略すると自動検出）、--keyterms "Kubernetes,PyTorch,yt-dlp"（名前や専門用語を正しく表記します。指定しないと Scribe が誤認識し、要約の質が損なわれます）。

モード B — トピック（複数の動画）

検索は 無料で、API キーも不要です。yt-dlp 独自の検索機能を使います。

S=.claude/skills/youtube-transcribe/scripts

# 1. Find candidates — pick the good ones by title/channel/duration before spending transcription on them.
bash "$S/search.sh" "quantitative trading with LLMs" 20            # id | duration | channel | title
bash "$S/search.sh" "quantitative trading with LLMs" 20 --date     # sort by newest instead of relevance

# 2. Transcribe the chosen ones in one go (each lands in <OUT>/<video-id>/).
bash "$S/search.sh" "quantitative trading with LLMs" 20 --urls > /tmp/urls.txt
#   ...edit /tmp/urls.txt down to the 10-15 worth watching, then:
bash "$S/batch.sh" /tmp/claude/youtube-transcribe/topic /tmp/urls.txt

手当たり次第ではなく、選別してください。3時間の配信と40秒のショート動画を両方見る価値があることは、ほとんどありません。単なる再生回数より、内容の充実度（長さ、チャンネルの権威性、タイトルの具体性）を重視してください。その後、すべての文字起こしを読み、動画ごとに N 個の要約を作るのではなく、全体を通した1つの統合レポートを作成します。共通見解、意見の相違、最も優れた情報源、未解決の点をまとめてください。

画面に映っているものを見る

文字起こしでは、スライド、グラフ、コード、ダッシュボード、製品の映像、「これ」を指している人などを把握できません。段階的に使えるツールを2つ紹介します。

**1. フレーム（低コスト、ローカル）。**動画をダウンロードし、静止画を切り出して、JPG を読みます。

bash "$S/download.sh" "<url>" "$OUT" video                 # video.mp4 (≤720p)
bash "$S/frames.sh"   "$OUT/video.mp4" "$OUT/frames" every 30          # one frame / 30s
bash "$S/frames.sh"   "$OUT/video.mp4" "$OUT/frames" at 00:01:20,00:04:05   # exact moments from the transcript

transcript.diarized.txt のタイムスタンプを使って、誰かが「こちらをご覧ください」と言う瞬間のフレームを正確に取得します。

**2. Gemini（最後の手段。GEMINI_API_KEY が必要）。**フレームだけでは足りない場合、つまり動画の内容を理解させる必要がある場合、画面上のテキストを読み取る場合、または視覚に関する質問に直接答える必要がある場合に使います。Gemini は YouTube の URL を直接読み込みます（ダウンロード不要）。ローカルファイルの場合は、先にアップロードします。

bash "$S/ask-gemini.sh" "<url-or-local-mp4>" "What indicators are shown on the chart at minute 4, and what are their values?"

Gemini はフォールバックであり、デフォルトではありません。文字起こしのほうが安価で高速で、通常はそれで十分です。回答に視覚情報が本当に必要な場合に限り、Gemini を使ってください。

出力 — 書き写すのではなく、内容を吸収する

文字起こしをそのまま並べるのではなく、簡潔なナレッジダイジェストを基本とします。

• **概要：**タイトル、チャンネル、長さ、1行での位置づけ。
• **主要な知識：**実際のアイデア、方法、主張を、自分の言葉で具体的かつ簡潔にまとめます。
• **注目すべき詳細：**残しておく価値のある数値、名前、ツール、手順、引用（[mm:ss] のタイムスタンプ付き）。
• 注意点／未検証の内容や宣伝的な内容。「教育」をうたう動画の多くは見込み客を集めるためのものです。該当する場合は率直に記載してください。

生の transcript.txt はディスクに保存して場所を示し、引用は抜粋して使います。全体を貼り付けないでください。

スクリプト

スクリプト	説明
scripts/setup.sh	仮想環境を作成し、依存関係をインストールします（冪等です）
scripts/search.sh "<q>" [n] [--date] [--urls]	トピックに関する動画を検索します — 無料で、API キーは不要です
scripts/download.sh <url> <out> [audio|video|both]	yt-dlp で音声（mp3）および／または動画（≤720p）と metadata.json をダウンロードします
scripts/transcribe.sh <audio> <out> [--no-diarize] [--lang] [--keyterms]	ElevenLabs Scribe v2 でテキスト、話者分離済みテキスト、raw json に変換します
scripts/batch.sh <outdir> <urls-file>	複数の動画をダウンロードして文字起こしします。動画ごとにフォルダーを作成し、マニフェストも生成します
scripts/frames.sh <video> <out> every <sec> | at <ts,ts>	静止画を抽出して Read に保存します
scripts/ask-gemini.sh <url|file> "<question>"	Gemini による視覚的理解（フォールバック）

注意事項

• スクラッチ用途のみです。 メディアと文字起こしデータは /tmp/claude/youtube-transcribe/… に保存し、リポジトリには保存しません。サイズが大きくなる場合があります。
• Scribe の制限： ファイルあたり 3 GB／10 時間です。90 以上の言語に対応し、自動検出されます。約 12 分の講演なら 1 回の呼び出しで処理できます。
• 年齢制限付き／メンバー限定／非公開の動画では、Cookie が必要になる場合があります（yt-dlp --cookies-from-browser または --cookies）。Gemini を使う場合は、アクセスできない URL を渡すより、ダウンロードしたファイルをアップロードすることをおすすめします。
• これは公開動画から学習するためのものです。 著作権と各プラットフォームの利用規約を尊重し、他者のコンテンツを自分のものとして再公開しないでください。