プラグイン

低コストな動画理解ツール。video_understand ツールが Bilibili リンク / BV / ローカル動画を AVIS 情報層（ASR + シーン構造 + オブジェクト追跡 + YOLO ラベル）に変換し、要約 + Q&A を返す。質問主導のレイヤー間ダイナミックルーティング（L0 ASR / L1 オブジェクト追跡 / L2 キーフレーム VLM）、繰り返し質問向けの意味レイヤー再利用、質問ごとの予算上限を備える。Python エンジン: コア層には faster-whisper / opencv / yt-dlp が必要（約200-300MB）。任意の意味層を追加すると torch / transformers / ultralytics が約2GB 増える。付属の doctor --fix が venv をセットアップし、両方をインストールする。

字幕優先の動画文字起こし。SRT のエクスポート、キャンセル可能なジョブ制御、字幕がない場合の faster-whisper large-v3 フォールバックを備えます。

Windows only. Bilibili video summarizer: downloads the audio track, transcribes it locally with faster-whisper (Python + faster-whisper, about 725 MB of models on first run), then writes the analysis markdown and renders a one-page infographic PNG.

Downloads a Bilibili video with yt-dlp, samples key frames, and transcribes it — from the site subtitles, or from a local faster-whisper install when there are none. Registers the skill the agent uses to write the summary; activates when a user message contains only a video link. Requires yt-dlp and ffmpeg on PATH; transcription needs faster-whisper.

Extract Bilibili platform/AI subtitles or external/embedded/ASR/OCR fallback and render Markdown, Word, PDF, TXT, SRT or JSON with timestamps, bilingual alignment and a quality report. Requires Python 3.10+; platform/AI subtitles need a Bilibili SESSDATA cookie; OCR/ASR/PDF need ffmpeg, faster-whisper and LibreOffice or reportlab.

Lets the model actually see a video: local ffmpeg samples timestamped stills and faster-whisper transcribes the audio track, so the agent reads real pixels frame by frame instead of trusting a text summary. Fully local, nothing uploaded; reports honestly when the audio has no speech. Windows only; needs Python 3.10+ and ffmpeg installed, and the first video_eyes_setup run downloads about 700 MB (faster-whisper and its model).

Subtitle-first video transcription and deterministic extractive Markdown summaries, with a faster-whisper large-v3 fallback when subtitles are unavailable.