菜单
動画（mp4 等）をローカルで「理解」する汎用ツール。Claude 本体が直接読めない動画を、ffmpeg＋whisper.cpp で「音声→文字起こし」と「映像→静止画フレーム」の2チャンネルに分解し、タイムライン形式で統合理解する。文字起こしは whisper.cpp（ローカル・無料・Metal高速）。未導入時のインストール案内・モデル選定・トークンコスト管理込み。「動画読んで」「動画理解して」「mp4見て」「文字起こしして」「この動画なに」で起動。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
X(Twitter)広告クリエイティブの戦略を立案する。対象プロダクトの docs/product.md（コンセプト/ペルソナ/ポジショニング/ブランド）＋（あれば）広告運用レポートから、次に撃つクリエイティブの戦略候補を複数出す。各候補は「インサイト/訴求軸/メッセージ方向/クリエイティブ方向/表現モード（器の選択）/全スロットのコピー方向/検証仮説」を持つ。出力は人が読んで選べる Markdown の戦略まとめで、人間のデザイナーでも下流の制作工程でも受け取れる。taberu.pro / honn.me 等で使う。「広告戦略立てて」「次に何を訴求する」「訴求軸出して」で起動。
PRのレビューコメントを取得・分類し、対応計画を立てて修正する
自分が出したPRの状態（レビュー・CI・コンフリクト）を一括確認し、対応が必要なものを優先度付きで報告する
Vercel AI Gateway を AI SDK で直叩きしてローカルから画像を生成する汎用ツール（スキル同梱の gen-image.mjs を実行）。Claude 本体が持たない「画像生成」機能を補う。API キーはカレントプロジェクトの `.env`（`AI_GATEWAY_API_KEY`）から読む。未導入時のセットアップ案内・モデル選定・コスト管理の手順込み。用途は問わない（広告ビジュアル・素材・モック等）。「画像生成して」「画像作って」「ai image」で起動。
現在のセッションの作業状態を、次のセッションのClaudeがそのまま作業を再開できる引き継ぎブロックにまとめる
現在のブランチからプルリクエストを作成する
| name | video-understand |
| description | 動画（mp4 等）をローカルで「理解」する汎用ツール。Claude 本体が直接読めない動画を、ffmpeg＋whisper.cpp で「音声→文字起こし」と「映像→静止画フレーム」の2チャンネルに分解し、タイムライン形式で統合理解する。文字起こしは whisper.cpp（ローカル・無料・Metal高速）。未導入時のインストール案内・モデル選定・トークンコスト管理込み。「動画読んで」「動画理解して」「mp4見て」「文字起こしして」「この動画なに」で起動。 |
| user-invocable | true |
Claude Code の Read ツールは画像（PNG/JPG）・PDF・テキストは読めるが、動画（mp4/mov 等）も音声も直接は読めない。このスキルは動画を Claude が読める形に前処理して「理解」を成立させる。
動画の情報は2チャンネルに分かれており、両方拾うと理解の解像度が上がる：
ffmpeg で音声を抜き、whisper.cpp でタイムスタンプ付き文字起こし。喋っている内容（ナレーション・会議・解説）を捕捉。情報密度が最も高いのは多くの場合ここ。ffmpeg でフレームを抽出し、Read ツールで PNG として読解。画面・スライド・UI・人物・シーンなど「映っているもの」を捕捉。最後に文字起こし（時刻付き）とフレーム（時刻付き）をタイムラインで突き合わせて統合理解する。
すべて満たしてから本処理に進む。足りないものは下記手順で導入する。
ffmpeg / ffprobe が導入済み（command -v ffmpeg ffprobe）。無ければ brew install ffmpeg。whisper-cli が導入済み（command -v whisper-cli）。無ければ brew install whisper-cpp。
openai-whisper）は使わない。torch 依存＋Python 3.8+ 要件で環境を汚すうえ、この環境の system python は 3.7.9 で要件を満たさない。whisper.cpp は Python 非依存・Metal 高速・無料・ローカル完結で本命。モデルは ~/.local/share/whisper-models/ に置く規約とする。多言語版（.en でない方）を使う——ggml-base.en.bin 等の .en 付きは英語専用で日本語が出ない。
mkdir -p ~/.local/share/whisper-models
# デフォルト: base 多言語（約148MB・速い・そこそこ精度）
curl -L -o ~/.local/share/whisper-models/ggml-base.bin \
"https://huggingface.co/ggerganov/whisper.cpp/resolve/main/ggml-base.bin"
モデル選定（精度⇄サイズ/速度のトレード。日本語の精度が要るなら large-v3-turbo を推奨）:
| モデルファイル | サイズ | 用途 |
|---|---|---|
ggml-base.bin | 約148MB | デフォルト。速い。英語や聞き取りやすい音声なら十分 |
ggml-small.bin | 約488MB | base で精度不足のとき。日本語のバランス型 |
ggml-large-v3-turbo.bin | 約1.6GB | 日本語の精度重視ならこれ。turbo なので large 系でも実用速度 |
ダウンロード URL は https://huggingface.co/ggerganov/whisper.cpp/resolve/main/<ファイル名>。デフォルトからモデルを上げる前は、サイズと時間が変わるためユーザーに一言確認する。
作業ディレクトリ（例 /tmp/video-understand/<名前>/）を切り、そこに中間ファイルを吐く。コミット対象でない中間生成物はリポジトリ内に置かない。
まず尺・解像度・fps・音声トラックの有無を見る。これでフレーム枚数と処理方針が決まる。
ffprobe -v error -show_entries format=duration:stream=index,codec_type,codec_name,width,height,r_frame_rate \
-of default=noprint_wrappers=1 input.mp4
duration でフレーム枚数の上限を決める（後述のコスト管理）。codec_type=audio）が無ければ文字起こしは飛ばし、映像チャンネルだけで進める。whisper.cpp は 16kHz mono の wav を前提にするのが定石。ffmpeg で変換してから渡す。
MODEL=~/.local/share/whisper-models/ggml-base.bin
# 16kHz mono wav に変換
ffmpeg -y -i input.mp4 -vn -ar 16000 -ac 1 -c:a pcm_s16le audio.wav
# 文字起こし（SRT = 時刻付きで Claude が読みやすい）。-l auto で言語自動判定
whisper-cli -m "$MODEL" -f audio.wav -l auto -osrt -of transcript
# → transcript.srt が生成される。これを Read する
-l auto で言語自動判定。日本語だと分かっているなら -l ja、英語なら -l en を明示すると安定する。-osrt(SRT) のほか -oj(JSON・構造化) -otxt(プレーン) -ovtt も可。時刻とフレームを突き合わせたいので時刻付きの SRT/JSON を使う。-of で指定したファイルに入る。標準出力をパースせず、生成された transcript.srt を Read すればよい。まずシーン変化検出を試し、足りなければ一定間隔にフォールバックする。
mkdir -p frames
# 方式A: シーン変化検出（スライド切替・カット割りのある動画に強い。冗長フレームを激減できる）
ffmpeg -y -i input.mp4 -vf "select='gt(scene,0.3)',scale=768:-1" -vsync vfr frames/scene_%04d.png
# 方式B: 一定間隔（シーン検出が0枚 or 連続的な映像のとき）。例: 1枚/5秒
ffmpeg -y -i input.mp4 -vf "fps=1/5,scale=768:-1" frames/frame_%04d.png
scale=768:-1 で横768pxに縮小して抽出する。Claude の画像読解トークンは解像度に比例するため、文字が読める範囲で縮小してコストを抑える（スライドの細かい文字を読む必要があるときだけ大きめにする）。scene,0.3）や間隔（fps=1/N）を調整して撮り直す。文字起こし（SRT の時刻）とフレーム（時刻順）を1本のタイムラインに統合し、「いつ・何が映って・何が語られたか」をまとめる。ユーザーの問い（要約・特定箇所の抽出・UIの説明 等）に合わせて出力する。
フレームを Read する＝画像読解＝トークンを食う。10分動画を1秒1枚で抜けば600枚で即破産する。サンプリングは必ず尺に応じて間引く。
目安（横768px・内容により増減。多い側に振れそうなら必ずユーザーに枚数とコストを断ってから抽出する）:
| 動画の尺 | フレーム枚数の目安 | 方針 |
|---|---|---|
| 〜1分 | 5〜12枚 | シーン検出 or 5〜10秒間隔 |
| 1〜10分 | 12〜30枚 | シーン検出優先。間隔なら20〜30秒/枚 |
| 10分〜 | 30枚を上限の目安に | 間隔を広げる。全網羅が要るなら区間を区切って分割提案 |
select='gt(scene,...)' が1枚も拾わない。検出結果が0/極小なら方式B（一定間隔）にフォールバックする。スライドやカット割りのある実映像では有効。.en モデルは英語専用: 日本語動画に ggml-base.en.bin を使うと日本語が出ない。多言語モデル（ggml-base.bin 等、.en なし）を使う。load_backend: read_audio_data: 等が大量に出るが結果ではない。-of で出したファイル（transcript.srt 等）を正とする。ffprobe に audio ストリームが出なければ文字起こしは飛ばす（ffmpeg -vn がエラーになる）。映像チャンネルだけで進める。whisper-cli 導入直後は必ずモデル DL が要る。scale=768:-1 で縮小する。スライドの細字を読む必要があるときだけ解像度を上げる。