動画・画像・音声のスキル

Best practices for Remotion - Video creation in React

日本語の概要は準備中です。原文の説明を表示しています。

YouTubeで指定テーマや人物の動画を検索し、採用動画の全字幕を取得して、メタデータ、タイムスタンプ、要約、論点索引を持つ再利用可能な資料へ整理する。

セミナー・講義・ウェビナー・研修・実演動画をローカルで文字起こしし、内容を分析して、必要なスライド画像や動画クリップ付きのHTML／Markdown資料を作る。動画から学習資料・実践ガイドを作りたい場合に使う。映像作品の再現設計やCanvas生成は対象外。

動画URLや保存済み動画から、字幕と映像を照合し、時刻付き出典・根拠画像・論点索引を持つ資料を作る。講義・対談・解説動画の資料化、製品UIや操作のキャプチャ付き調査に使う。字幕取得や文章要約だけならyoutube-transcript-researchを使う。

動画ファイルからアプリの画面遷移リファレンスドキュメントを生成する。video-analyzerスキルのキーフレーム抽出スクリプトでフレームを抽出し、Haikuサブエージェントで並列分析、遷移シーン画像と構造化マークダウン（README.md）を指定ディレクトリに出力する。使用タイミング：動画からアプリのUIフロー・ユーザーストーリーをステップごとにまとめたリファレンスを作成したい場合。

動画ファイルからキーフレームを抽出し、軽量モデルのサブエージェントで低コスト分析を実行します。UIバグ検出、画面遷移分析、動画内容の理解などに使用します。フル解析と比べてコストを2桁以上削減可能。

動画と音声の認識・理解・操作。認識 - ローカルファイル、URL、RTSP/ライブフィード、またはデスクトップのライブ録画からの取り込み; リアルタイムコンテキストと再生可能なストリームリンクを返す。理解 - フレームを抽出し、視覚的/意味的/時間的インデックスを構築し、タイムスタンプとオートクリップで瞬間を検索。操作 - トランスコードと正規化（コーデック、fps、解像度、アスペクト比）、タイムライン編集（字幕、テキスト/画像オーバーレイ、ブランディング、オーディオオーバーレイ、吹き替え、翻訳）、メディアアセット生成（画像、音声、動画）、ライブストリームまたはデスクトップキャプチャからのイベントのリアルタイムアラートの作成。

AI支援の動画編集ワークフロー。実際の映像のカット、構造化、拡張を対象とする。FFmpeg、Remotion、ElevenLabs、fal.aiを通じたrawキャプチャからの完全なパイプラインと、DescriptまたはCapCutでの最終仕上げをカバー。動画の編集、フッテージのカット、Vlogの作成、動画コンテンツの制作に使用。

ビザ申請書類（画像）を英語に翻訳し、原本と翻訳を含むバイリンガルPDFを作成

Nutrient DWS APIを使用したドキュメントの処理、変換、OCR、抽出、墨消し、署名、フォーム入力。PDF、DOCX、XLSX、PPTX、HTML、画像に対応。

X、LinkedIn、TikTok、YouTube、ニュースレター、マルチプラットフォームリパーパスキャンペーンのためのプラットフォームネイティブなコンテンツシステムを作成。ソーシャル投稿、スレッド、スクリプト、コンテンツカレンダー、または1つのソースアセットをプラットフォームごとにきれいに適応させたい場合に使用。

fal.ai MCPによる統合メディア生成 — 画像、動画、音声。テキストから画像（Nano Banana）、テキスト/画像から動画（Seedance、Kling、Veo 3）、テキストから音声（CSM-1B）、動画から音声（ThinkSound）をカバー。AIで画像、動画、音声を生成したい場合に使用。

Elite website image-to-code skill for Codex. For visually important web tasks, it must first generate the design image(s) itself, deeply analyze them, then implement the website to match them as closely as possible. In Codex, it must prefer large, readable, section-specific images instead of tiny compressed boards, generate fresh standalone images for sections or detail views instead of cropping old ones, avoid lazy under-generation, avoid cards-inside-cards-inside-cards UI, and keep the hero clean, spacious, readable, and visible on a small laptop.

日本語の概要は準備中です。原文の説明を表示しています。

Elite frontend image-direction skill for generating premium, conversion-aware website design references. CRITICAL OUTPUT RULE — generate ONE separate horizontal image FOR EVERY section. A landing page with 8 sections produces 8 images. Never compress multiple sections into one image. Enforces composition variety (not always left-text / right-image), background-image freedom, varied CTAs, varied hero scales (giant / mid / mini minimalist), narrative concept spine, second-read moments, and a single consistent palette across all images. Optimized for landing pages, marketing sites, and product comps that developers or coding models can accurately recreate.

日本語の概要は準備中です。原文の説明を表示しています。

Elite mobile app image-generation skill for creating premium, app-native screen concepts and flows. Designed for iOS, Android, and cross-platform mobile products. Prioritizes clean hierarchy, comfortably readable text, strong multi-screen consistency, controlled color palettes, non-generic creative direction, textured surfaces, image-led composition, tasteful custom iconography, and clean phone mockup framing. By default, screens should be shown inside a subtle premium iPhone or similar phone mockup with a visible frame, while the main focus stays on the app content itself. This skill generates images only. It does not write code.

日本語の概要は準備中です。原文の説明を表示しています。

8claw is an anonymous imageboard built for AI agents. Have discussions with other AI agents anonymously.

日本語の概要は準備中です。原文の説明を表示しています。

4claw — a moderated imageboard for AI agents. Boards, threads, replies, media uploads, bumping (bump=false to not bump), greentext, and automatic capacity purges. Post spicy hot takes (what you're REALLY thinking) — but no illegal content, doxxing, harassment, or minors.

日本語の概要は準備中です。原文の説明を表示しています。

Patches native modules (expo-image, react-native, etc.) to fix native crashes or bugs.

日本語の概要は準備中です。原文の説明を表示しています。

Performance Analysis - パフォーマンス分析。./tmp/perf.log を分析してボトルネックを特定し、パフォーマンス改善 Issue を作成するスキル。「パフォーマンス分析」「perf-analysis」「ボトルネックを調べて」で発火。ThumbnailThumb 専用（bin/tt-client と ./tmp/perf.log 出力に依存。bin/tt-client が無いプロジェクトでは発火しない）。

AVFoundation (AVPlayer / AVPlayerLayer / AVPlayerItemVideoOutput / AVAsset) の落とし穴・文書化されていない実装挙動・debugging チェックリストを集約した reference skill。Swift / Objective-C で AVPlayer を使った動画再生 / seek / scrub / frame stepping を実装・debug するときに発火。VLCKit ではなく **AVFoundation 系** の問題に特化。

四国めたんとずんだもん (VOICEVOX の声と立ち絵) の掛け合いで解説動画を作る。台本 JSON からセリフを合成して 1 本の音声にまとめ、字幕・立ち絵 (場面に合わせた表情)・口パク付きで、HTML プレイヤー 1 ファイル (書き起こし・チャプター付き) か mp4 動画、またはその両方に書き出す。「ずんだもん解説を作って」「ずんだもん動画を作って」「VOICEVOX で掛け合い動画」「キャラの音声で解説を読み上げさせたい」「zundamon-kaisetsu」で発火。ブラウザ内のリアルタイム合成 (Web Speech API) が要るときには使わない。

See, Understand, Act on video and audio. See- ingest from local files, URLs, RTSP/live feeds, or live record desktop; return realtime context and playable stream links. Understand- extract frames, build visual/semantic/temporal indexes, and search moments with timestamps and auto-clips. Act- transcode and normalize (codec, fps, resolution, aspect ratio), perform timeline edits (subtitles, text/image overlays, branding, audio overlays, dubbing, translation), generate media assets (image, audio, video), and create real time alerts for events from live streams or desktop capture.

日本語の概要は準備中です。原文の説明を表示しています。

Translate visa application documents (images) to English and create a bilingual PDF with original and translation

日本語の概要は準備中です。原文の説明を表示しています。

Process, convert, OCR, extract, redact, sign, and fill documents using the Nutrient DWS API. Works with PDFs, DOCX, XLSX, PPTX, HTML, and images.

日本語の概要は準備中です。原文の説明を表示しています。