video-to-llm

あなたのLLMは40時間のコースを見ることはできません。アップロードは遅く、高価で、許可されていないこともよくあります。自分でフレームを抽出すると数百万トークンがかかり、音声は捨てられてしまいます。

video-to-llm は各動画を1つの時系列ドキュメントに変換します。音声、マークされた無音、セクション見出し、必要に応じて画面に表示されていた内容まで、発生した順序ですべてが並び、各行にはそれが取得された正確なフレームに解決できるタイムスタンプが付いています。

一度実行するだけです。フォルダを保持している限り、好きなだけ、好きなモデルに、好きな数の質問ができます。

クイックスタート

uvx video-to-llm process lecture.mp4 --transcribe-model tiny

これが動作を確認する最も速い方法です。tiny 音声モデルはデフォルトの 1.4 GB ではなく 75 MB のダウンロードなので、アウトプットが好みかどうかを確認するためのダウンロード待ちをすることなく、約1分で実際のドキュメントを入手できます。気に入ったら、フラグを外してください:

uvx video-to-llm process lecture.mp4

まだPyPIからインストールできません。 名前は登録されていますが、インデックスにインストールする価値のあるものはありません。公開された唯一のリリースである 1.0.0rc1 は、collections モジュールが欠落した状態で公開され、撤回されています。1.0.0 がリリースされるまでは、リポジトリをクローンして uv sync を実行し、その後 uv run video-to-llm process lecture.mp4 --transcribe-model tiny を実行してください。

PATH に FFmpeg が必要です — バージョン4から9まで、すべて動作しました。音声モデルは初回使用時に一度だけダウンロードされ、その後はネットワークに一切触れません。

video-to-llm doctor          # check this machine is ready

tiny は高速ですが、精度は著しく低くくなります。medium がデフォルトなのは、文字起こしを保存する価値がある最小のモデルだからです。--transcribe-model は base、small、large-v3 も受け付けます。

Related MCP server: video-reader-mcp

得られるもの

これは実際の出力です — デフォルト構成での実際の49分間の録音からの実際の行です:

00:01:30  [nobody speaking · 11 seconds]
00:01:40  Yep, just so that you know, the first thing you'll do is you'll take everything out of
00:01:48  your chart.
00:01:49  When you're going to analyze the chart.
00:01:54  [nobody speaking · 4 seconds]
00:01:58  I think all of you know what trends are, right?
00:02:01  You're either going up or you're either coming down. Very simple, right?
00:02:05  But when you look at trends in terms of structure, what we are looking for is the basic.

それが成果物全体です: プレから Quality、時系列、ソースに対するタイムスタンプ付き、あなたのものになります。任意のモデルに渡して。grep して。10年間保存してを。

任意の行を確認する

すべてのタイムスタンプは、その背後にある画像に解決します:

video-to-llm show lecture 00:02:05

lecture.mp4 — 00:02:05
in job 'lecture'

  00:02:01  You're either going up or you're either coming down. Very simple, right?
> 00:02:05  But when you look at trends in terms of structure, what we are looking for is the basic.

Picture: ~/Documents/VideoToLLM/lecture/…/frames/000062_t000124.jpg

モデルが行う主張は、それを確認できる場合にのみ証拠になります。これがその方法です。

比較

正直な両方向 — これが間違ったツールである場合も含みます。

2026年8月21日にそれらのプロジェクト自身のドキュメントを確認しました。それらは変更されます。ここが古くなったら、それを報告する価値のあるバグです。

使い方

コマンドラインから

video-to-llm process lecture.mp4                      # one video
video-to-llm process w1.mp4 w2.mp4 --name "Course"    # several, in your order
video-to-llm process talk.mp4 --interval 5            # fewer pictures, faster
video-to-llm process demo.mp4 --describe local        # add screen descriptions
video-to-llm process talk.mp4 --format jsonl          # also emit structured data
video-to-llm show "Course" 01:12:30                   # resolve a citation
video-to-llm export "Course" --format srt             # subtitles, no reprocessing
video-to-llm status                                   # what is done, what is running
video-to-llm run-next "Course"                        # jump the queue

エージェントから

video-to-llm mcp        # MCP server on stdio; needs the [mcp] extra

4つのツール — process_video、list_videos、get_transcript、get_segment。 process_video は冪等です: すでに完了済みの動画を要求されると、再び処理を行う代わりに既存のドキュメントを返します。それがすべてのポイントです。40時間のコースを一度処理します; その後のすべての質問は即座で、オフラインで、無料です。

エージェントはこれらのツールを通じて有料の説明サービスを選択できません。その決定は、見積もりと支出限度額が表示される設定画面に属します。

スキルもあります。これは、高価なことを行う前に、すでに処理済みのものを確認するようエージェントに教えます:

npx skills add navdeep-h-singh/video-to-llm -g

これは Codex、Cursor、Copilot、Gemini CLI、その他 Agent Skills を読むすべてのもので動作しました。Claude Code の場合、プラグインがスキルと MCP サーバーをまとめて登録します:

/plugin marketplace add navdeep-h-singh/video-to-llm
/plugin install video-to-llm@video-to-llm

ブラウザから

video-to-llm start

127.0.0.1 上のインターフェースであり、ライブ進行状況、フレームレビューア、ジョブ制御、コレクションビルダーを備えています。ブラウザを閉じてもジョブは停止しません。

コレクション

複数の処理済み動画 — 別途指定した順番で、1つのドキュメント、またはコンテキストウィンドウに収まるサイズの番号付きパーツに結合されます。コレクションのビルドは 既存の出力を再利用 — フレームを再抽出、音声を再文字起こし、説明を再実行は決してしません。

順序がファイル名、日付、内容から推測されることはありません。同じ朝の2つの録画には本質的な順序がないため、あなたがそれを言います。

プライバシー、メカニズムとして

約束ではなく — これらのプロパティのセットと、後退したときに失敗するテストを提供します。

• インターフェースは 127.0.0.1 にバインドされ、アプリケーションの構築時に中断されます。

• すべての書き込みで、外部の Host と外部のオリジンを拒否する1つのミドルウェアがあります。

• すべての書き込みで、外部の Host と外部のオリジンを拒否する1つのミドルウェアがあります。

• ページはオフオリジンのリソースをロードしません。CDN、Web フォント、アナリティクスはありません。

• ソース動画はコピーされず、移動されず、アップロードされません。

• キーは OS のキーチェーン — macOS Keychain、Windows Credential Manager、Linux Secret Service に保存されます。平文のフォールバックは作成されません。また、保存されたキーはプレフィックスさえも再表示されません。

• アカウント、テレメトリ、ログインする必要がない内容はありません。

• 説明はデフォルトで無効です。説明を無効にしたジョブはネットワークリクエストを一切行いません。

• ローカルがクラウドに静かにフォールバックすることはありません。

オプション: 画面の説明

デフォルトではオフ。オンにすると、自分の Ollama 用モデル（フレームはデバイスに残り、費用はかかりません）と、サービス（Claude、Gemini、OpenAI、または OpenAI 互換・Anthropic 互換エンドポイント）の use betweenを選択できます。サービスは番号付きの静止画のみを受け取り、動画や音声は絶対に受け取りません。送信前に何が送信され、およそいくらかかるかが表示され、設定した上限で処理が停止します。

要件

• Python 3.11、3.12、または 3.13

• PATH に ffprobe を含む FFmpeg

• 音声モデルのためのスペース — tiny は 75 MB、デフォルトの medium は 1.4 GB — に加えてフレーム用スペース: 2秒に1枚の画像で 2時間の動画は約 2 GB

GPU はどこでもオプションです。働文字起こしはすべてのプラットフォームで CPU で実行されます。

FFmpeg 9 は問題ありません。 9 は FFmpeg の 5 以前のすべてが必要としていた -vsync を削除しました; 抽出処理はバージョンを一度読み取りずき、そのビルドが受け入れるフラグを求めます。4.x から 9.x まですべて動作します。video-to-llm doctor は見つけたたバージョンと使用するフラグを表示します。ここでの開発は 8.1.2 に対して行われました; 残りは引数リストのテストと CI マトリックスカバーされています。

その他のインストール方法

uv tool install video-to-llm            # or: pipx install video-to-llm
uv sync                                 # from a clone
docker build -t video-to-llm .          # command line only, see the Dockerfile

既知の制限

発見されるに任せるのではなく、ここに意図的に保持しています。

...