standbild
Accepts YouTube video links and processes them into downloadable ZIP packages containing a Markdown transcript with timestamped screenshots, using local speech-to-text and deterministic frame-change detection.
This server does not currently have a deployable release on Glama. Follow the repository's setup instructions to install and configure it for your MCP client, including any required credentials and local dependencies.
standbild
Erklärvideos zu Transkript + Screenshots. standbild wandelt ein Software-Erklärvideo (YouTube-Link oder lokale Datei) in ein ZIP-Paket um: ein Markdown-Transkript, in das an jeder relevanten Bildänderung ein Screenshot in Originalauflösung eingehängt ist. Das Paket ist für Menschen lesbar und für eine spätere Auswertung durch eine KI vorbereitet.
Läuft vollständig lokal in einem einzigen Docker-Image (Whisper
large-v3-turboist enthalten).Keine „große KI“: nur lokales Speech-to-Text (Whisper). Bildvergleich, Ausrichtung und Ausgabe sind klassische, deterministische Algorithmen. Kein OCR, keine Zusammenfassung.
Drei Zugänge, ein Kern: Web-UI, MCP-Endpunkt und CLI; Aufträge liegen in einer Postgres-Warteschlange.
>>>>> 
[00:00:41](https://www.youtube.com/watch?v=abc123&t=41s) Hier seht ihr die Datei docker-compose.yml. …Hinweis zu YouTube: Das Herunterladen von YouTube-Videos widerspricht den YouTube-Nutzungsbedingungen. standbild ist für den privaten Gebrauch gedacht. Verarbeite nur Videos, die du verwenden darfst.
Das Paket
abc123_20261114-1830.zip
├── AGENTS.md Anleitung für eine KI: wie das Paket zu lesen ist
├── transcript.md Transkript mit >>>>>-Bildverweisen
├── frames/ Screenshots als PNG, exakt in der Auflösung des Videos
├── meta.json Video-Metadaten, Kapitel, wirksame Parameter, Modell
└── log/
├── processing.log Versionen, Einstellungen, Dauer jeder Stufe, Warnungen
├── frames.json pro Screenshot: Zeit, Messwerte, Grund, Duplikat
└── detection_log.csv Messwerte pro analysiertem FrameEine Zeile >>>>>  bedeutet: Ab hier zeigt der Bildschirm dieses Bild, bis
zur nächsten Markierung. Kehrt das Video zu einer früheren Ansicht zurück, verweist die Markierung auf das
frühere Bild. Markdown-Viewer wie Obsidian, VS Code oder GitHub zeigen die Bilder direkt an.
Related MCP server: shared-video-transcriber
Bauen und Bereitstellen
Fertige Images liegen in der GitHub Container Registry. Die Action release.yml
baut bei jeder Änderung an Code oder Dockerfile auf main (oder von Hand über „Run workflow“) ein Image und
veröffentlicht es unter der Version YYYY-MM-DD_hhmmss (UTC) und als latest:
docker pull ghcr.io/bjoernwuest/standbild:latestSelbst bauen und in eine eigene Registry schieben:
make build REGISTRY=registry.local:5000 # baut :<Version aus pyproject.toml> und :latest
make push REGISTRY=registry.local:5000Das entspricht docker build -t registry.local:5000/standbild:1.0.0 -t registry.local:5000/standbild:latest .
und zwei docker push. Der erste Build lädt das Whisper-Modell (ca. 1,6 GB); das CPU-Image ist ca. 3,4 GB groß.
Build-Argument | Voreinstellung | Bedeutung |
|
| Whisper-Modell der Startausstattung (Name wie in faster-whisper) |
| leer | yt-dlp-Version; leer = neueste beim Build |
|
|
|
Beispiel: make build BUILD_ARGS="--build-arg CUDA=1".
Starten
Die Postgres-Datenbank (Version ≥ 13) muss existieren und darf leer sein; die Tabellen legt standbild beim
Start selbst an. Der Datenbankbenutzer muss im Schema Tabellen anlegen dürfen. Ab Postgres 15 ist das im
Schema public nur noch dem Eigentümer der Datenbank erlaubt; fehlt das Recht, nennt die Fehlermeldung beim
Start den passenden GRANT.
docker run -d --name standbild --restart unless-stopped -p 8080:8080 \
-v standbild-tmp:/tmp -v standbild-packages:/data/packages -v standbild-models:/models \
-e STANDBILD_DB_HOST=db.local -e STANDBILD_DB_NAME=standbild \
-e STANDBILD_DB_USER=standbild -e STANDBILD_DB_PASSWORD=geheim \
-e STANDBILD_PUBLIC_URL=http://nas.local:8080 \
registry.local:5000/standbild:latestDanach: Web-UI unter http://<host>:8080/, REST unter /api (Dokumentation: /api/docs), MCP unter /mcp.
Beim ersten Start wird large-v3-turbo ohne Netzwerkzugriff ins Modell-Volume kopiert und als Standardmodell
eingetragen. GPU-Variante: Image mit CUDA=1 bauen und zusätzlich --gpus all angeben.
Zeitstempel in Paketnamen und Protokollen sind UTC; mit -e TZ=Europe/Berlin gilt die lokale Zeit.
Volumes
Volume | Inhalt | Größenordnung |
| Videodownload und Zwischendateien je Auftrag ( | einige GB pro laufendem Auftrag |
| Ergebnis-ZIPs ( | 5–50 MB pro Paket |
| Whisper-Modelle, ein Unterverzeichnis pro Modell | 0,5–3 GB pro Modell |
Ohne -v legt Docker anonyme Volumes an. Für Pakete und Modelle sind benannte Volumes oder Bind-Mounts
sinnvoll, damit sie Updates des Containers überleben. Der Container läuft als UID/GID 1000; bei Bind-Mounts
muss das Verzeichnis diesem Benutzer gehören, sonst bricht der Start mit einer klaren Meldung ab.
Konfiguration
Betrieb
Variable | Voreinstellung | Bedeutung |
| – (Pflicht) | Postgres-Host |
|
| Postgres-Port |
| – (Pflicht) | Datenbankname |
| – (Pflicht) | Benutzername |
| – (Pflicht) | Passwort; alternativ |
|
| Schema der Tabellen; wird bei Bedarf angelegt |
|
| libpq-SSL-Modus |
|
| HTTP-Port für Web-UI, API und MCP |
|
| Basis-URL für Download-Links in MCP-Antworten |
|
| Anzahl paralleler Aufträge |
| leer | Wenn gesetzt: Bearer-Token für |
|
|
|
|
| Gespeicherte Ergebnisse pro Video; ältere werden samt ZIP gelöscht |
|
| Größte ZIP-Größe, die das MCP-Tool |
| leer | Verzeichnis mit einer eigenen |
|
| yt-dlp beim Start per pip aktualisieren |
|
| Whisper-Kontext über Fenstergrenzen (siehe DECISIONS.md) |
|
| Logausgabe auf stdout |
| leer | Optional, für zugangsbeschränkte HuggingFace-Modelle |
Verarbeitungsparameter
Jeder Parameter lässt sich pro Auftrag setzen (Web-UI „Parameter“, MCP process → options, CLI-Option
--<name>) und hat STANDBILD_<NAME> als Voreinstellung. Rangfolge, der höhere Rang gewinnt:
Werte des Auftrags
das beim Auftrag gewählte Profil
Umgebungsvariablen
eingebaute Voreinstellungen
Ungültige Werte werden abgelehnt, bevor ein Auftrag entsteht. Die wirksamen Werte stehen in meta.json.
Schlüssel | Voreinstellung | Erlaubt | Bedeutung |
|
|
| Satz von Schwellen (siehe unten) |
| Standardmodell | installierte Modelle | Modell für die Transkription |
|
| ISO-Code oder | Sprache für Whisper |
|
| bool | Manuelle YouTube-Untertitel statt Whisper (automatische werden nie verwendet) |
|
| 360–2160 | Maximale Downloadhöhe in Pixeln |
|
| 0,1–5 s | Abstand der analysierten Frames |
|
| 0,001–0,9 | Anteil geänderter Fläche für einen Wechsel |
|
| 0,0005–0,5 | Schwelle für kleine, zusammenhängende Änderungen |
|
| 1–128 | Mindestdifferenz, ab der ein Pixel als geändert gilt |
|
| 0–10 s | Ruhezeit vor dem Screenshot |
|
| 1–60 s | Danach Screenshot auch ohne Ruhe |
|
| 0–120 s | Mindestabstand zwischen Screenshots |
|
| 1–60 | Obergrenze pro Minute |
|
| 320–1920 px | Breite des internen Vergleichsbildes |
| leer | Liste | Bereiche, die ignoriert werden (z. B. Webcam) |
|
| bool | Absätze beginnen mit |
Profil | threshold | min_local_change | stable_time | min_gap |
| 0,08 | 0,02 | 1,0 s | 5 s |
| 0,05 | 0,004 | 1,0 s | 3 s |
| 0,02 | 0,002 | 1,5 s | 4 s |
Web-UI
Eine Seite unter /: YouTube-Link einfügen, dann zeigt eine Karte je nach Zustand Verarbeiten, den
Fortschritt, oder Herunterladen und Erneut verarbeiten. Der aufklappbare Bereich „Parameter“ ist mit
den zuletzt für dieses Video verwendeten Werten vorbelegt, sonst mit den Voreinstellungen. Darunter stehen die
letzten 20 Aufträge. /?url=<Link> öffnet die Karte zu einem Link direkt.
MCP
Streamable HTTP unter /mcp, zustandslos, Servername standbild. Einbindung:
{"mcpServers": {"standbild": {"type": "http", "url": "http://nas.local:8080/mcp",
"headers": {"Authorization": "Bearer <token>"}}}}(Der headers-Eintrag entfällt ohne STANDBILD_API_TOKEN.)
Tool | Parameter | Ergebnis |
|
|
|
|
|
|
|
| ZIP als eingebettete Ressource plus Name, Größe, SHA-256 und Download-URL; über |
{"url": "https://youtu.be/abc123", "options": {"profile": "coding", "threshold": 0.03, "masks": [[0.78, 0.72, 0.22, 0.28]]}}REST-API
Methode und Pfad | Zweck |
| Link normalisieren, Zustand des Videos, zuletzt verwendete Parameter |
| Wirksame Voreinstellungen, Profile, Wertebereiche, installierte Modelle |
| Auftrag anlegen → |
| Status |
| ZIP herunterladen |
| Letzte Aufträge |
| Modelle verwalten |
| Lebenszeichen inkl. Datenbank und beschreibbarer Volumes |
CLI
standbild serve Web-UI + REST + MCP + Worker (Standard-Befehl des Images)
standbild run <URL|Datei> [Optionen] ein Video direkt verarbeiten, ohne Datenbank
standbild migrate Tabellen anlegen/aktualisieren (macht serve auch beim Start)
standbild preview <ZIP|Job-ID> Diagramm der Änderungswerte zum Einstellen der Schwellen# Einzelaufruf ohne Datenbank; das ZIP landet im Paket-Volume
docker run --rm -v standbild-packages:/data/packages -v standbild-models:/models \
registry.local:5000/standbild:latest standbild run "https://www.youtube.com/watch?v=…" --profile coding
# im laufenden Container, mit Maske für eine Webcam unten rechts
docker exec standbild standbild run "https://youtu.be/…" --mask 0.78,0.72,0.22,0.28 --no-timestampsrun nimmt alles an, was yt-dlp unterstützt, oder eine lokale Videodatei, außerdem --out <Verzeichnis>
und --cookies cookies.txt (für altersbeschränkte Videos). Eingabe- und Downloadfehler enden mit Exit-Code 2.
Whisper-Modelle verwalten
Reiter „Modelle“ im Web-UI: Liste aller Modelle mit Quelle, Größe, Status und Standardmodell. Zum Hinzufügen
einen HuggingFace-Link oder eine Repo-ID eintragen, z. B. Systran/faster-whisper-medium (optional mit
…/tree/<revision>). Akzeptiert werden nur CTranslate2-Modelle für faster-whisper (model.bin, config.json,
tokenizer.json oder vocabulary.*); Transformers-Modelle werden nicht konvertiert. Der Download läuft im
Hintergrund, danach steht das Modell im Parameterbereich und für MCP options.whisper_model zur Auswahl. Das
Standardmodell und Modelle, die gerade ein Auftrag nutzt, lassen sich nicht entfernen.
Die Modelle liegen ohne Datenbank im Volume /models: ein Verzeichnis pro Modell mit standbild-model.json,
das Standardmodell steht in default.txt.
Schwellen einstellen mit preview
Zu viele oder zu wenige Screenshots? preview zeichnet aus einem fertigen Paket global_ratio und
largest_region über die Zeit, die beiden Schwellen als gestrichelte Linien und jeden gespeicherten
Screenshot als senkrechte Linie:
docker exec standbild standbild preview <Job-ID> --out /data/packages/preview.png
standbild preview abc123_20261114-1830.zipKurve liegt oft knapp über
min_local_change, ohne dass sich Wichtiges ändert → Wert erhöhen (oder Profilslides).Neue Codezeilen bleiben unter der Linie → Profil
codingodermin_local_changesenken.Lange Strecken über der Schwelle ohne Screenshot →
max_per_minutehat gebremst; erhöhen, wenn mehr Zwischenstände gewünscht sind.Eine Webcam hält die Kurven dauerhaft oben → mit
masksausblenden.
log/frames.json nennt zu jedem Screenshot den Grund (first, global, local, forced).
yt-dlp aktuell halten
YouTube ändert regelmäßig Details, die neue yt-dlp-Versionen erfordern. Regulär: Image neu bauen (yt-dlp wird
dabei aktualisiert) und neu ausrollen. Optional aktualisiert STANDBILD_YTDLP_AUTOUPDATE=true yt-dlp bei
jedem Containerstart per pip; schlägt das fehl, gilt die mitgelieferte Version. Scheitert ein Download mit
einem typischen yt-dlp-Fehler, steht im Auftrag der Hinweis „yt-dlp evtl. veraltet – Image neu bauen“.
Richtwerte zur Laufzeit
Gemessen im Container auf einer VM mit 8 CPU-Kernen ohne GPU (large-v3-turbo, int8), Voreinstellungen:
Video | Auflösung | Download | Bildwechsel | Transkription | gesamt | Screenshots | Paket |
4:31 min, Live-Demo | 1280×706 | 8 s | 24 s | 2:00 min | 2:08 min | 23 | 5,7 MB |
4:23 min, Folien | 1920×1080 | 8 s | 13 s | 2:17 min | 2:24 min | 6 | 3,6 MB |
15:43 min, Folien + Demo | 1920×1080 | 10 s | 54 s | 4:43 min | 4:54 min | 57 | 25 MB |
Bildwechsel-Erkennung und Transkription laufen parallel; die Transkription bestimmt die Dauer (etwa ein
Drittel bis die Hälfte der Videolänge). Whisper nutzt 4 Threads; mehr Kerne lassen sich mit OMP_NUM_THREADS
zuweisen. Mit GPU ist die Transkription um ein Vielfaches schneller (nicht gemessen). Speicherbedarf: ca. 2 GB
je Worker.
Entwicklung
python3.12 -m venv .venv && . .venv/bin/activate
pip install -e ".[dev]" # braucht ffmpeg im PATH
pytest # Datenbanktests starten Postgres per testcontainers (Docker nötig)
pytest -m slow # Transkription mit dem Modell tiny (lädt es beim ersten Lauf)
make lint # ruff + mypy --stricttests/data/jfk.wav ist eine gemeinfreie Aufnahme (John F. Kennedy, 1961) aus den Beispielen von whisper.cpp.
Mit STANDBILD_TEST_DB=postgresql://user:pass@host:5432/db laufen die Datenbanktests gegen einen vorhandenen
Postgres (jeder Test in einem eigenen Schema). Abweichungen von der Spezifikation stehen in
DECISIONS.md.
Lizenz
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
This server cannot be deployed
Maintenance
Related MCP Connectors
Hosted MCP tools for FFmpeg-style video and audio processing through FFMPEG API.
Hosted video MCP server for branded explainers and reference-driven edits.
FFmpeg processing for video, audio and images via MCP with OAuth and shared account allowance.
Transcribe public audio/video URLs and retrieve transcripts, SRT, and VTT subtitles.
Related MCP Servers
- AlicenseNot gradedqualityDmaintenanceEnables turning YouTube video URLs into timestamped, citation-ready transcript evidence, with optional search, comments, analytics, and cross-video comparison for MCP clients.159 npmMIT
- AlicenseNot gradedqualityBmaintenanceEnables users to submit Douyin/Bilibili/YouTube links or local audio/video and create reusable processing jobs, then retrieve timestamped transcripts, SRT subtitles, summaries, sampled screenshots, exports, and optional AI-rewritten scripts through MCP tools sharing a local FastAPI job store.MIT
- AlicenseNot gradedqualityBmaintenanceEnables AI assistants and MCP clients to ingest audiovisual media from local files or yt-dlp-supported URLs, producing timestamped transcripts and scene-selected keyframes with exact-frame drill-down and transcript search.102 PyPI3MIT
- AlicenseNot gradedqualityBmaintenanceEnables AI agents that read text and images to work with local video files by providing measurements, timestamped contact sheets, transcripts, cut and loudness checks, sync analysis, and searchable visual or audio events over MCP.612 PyPI1MIT