videocaptioner

VideoCaptionerは大規模言語モデル（LLM）を活用した動画字幕処理ツールであり、音声認識から字幕最適化、翻訳、動画合成までの一連のワークフローをカバーする。インストールは`pip install videocaptioner`で、CLIコマンドライン版とGUIデスクトップ版の2つの利用方法を提供する。 主要機能: - 音声文字起こし: faster-whisper、whisper-api、bijian（無料）、jianying（無料）、whisper-cppなど複数のエンジンに対応し、単語レベルの時系列タイムスタンプとVAD音声活動検出により識別精度を向上させる。 - 字幕最適化・翻訳: LLMによる意味理解で文節分けを行い、自然な視聴体験を実現する。翻訳はLLM、bing（無料）、google（無料）に対応し、コンテキスト認識翻訳とリフレクション最適化機能を備える。 - 動画合成: サブタイトルをソフトサブやハードサブとして動画に埋め込める。 - 吹き替え生成: 字幕に基づいて吹き替え音声トラックや吹き替え動画を生成可能。 - オンライン動画ダウンロード: YouTube、Bilibiliなどのプラットフォームに対応。 - フルプロセス処理: 1コマンドで文字起こし→最適化→翻訳→合成を完了する。 無料機能（必剪音声認識、Bing/Google翻訳）は設定なしですぐに利用可能。LLM機能（字幕最適化、大規模モデル翻訳）にはAPI Keyの設定が必要で、OpenAI互換インターフェース全般をサポートし、VideoCaptioner中継站、SiliconCloud、DeepSeekなどに対応する。設定の優先順位はCLI引数＞環境変数＞設定ファイル＞既定値となる。 また本プロジェクトはClaude Code Skillを提供し、AIプログラミングアシスタントがVideoCaptionerを直接呼び出して動画処理できるようにしている。開発面ではuvによる依存関係管理、pyright型チェック、pytestテストに対応し、GPL-3.0ライセンスで公開されている。