YouTube動画を映像ごとAIに読ませるCLIを作った（Gemini API、Python標準ライブラリのみ）

YouTube動画の内容をAIに理解させるためのCLIツールを開発。字幕だけでは失われる映像情報（図やデモ）を補完するため、映像ごとAIに読ませる仕組みをPython標準ライブラリとGemini APIで構築。

• YouTube動画の映像と音声をAIに読ませるためのCLIツール「video2md」がPythonで開発された。
• Gemini APIのgenerateContent機能を利用し、動画URLを直接渡すことで音声と映像の両方を解析できる。
• 従来の文字起こしツールでは拾えなかった、画面上の図やコードなどの視覚情報をテキスト化できる。
• 長尺動画で著作権保護の逐語再現フィルタがかかった場合、要点形式で自動的に再取得するフォールバック機能を実装した。
• MITライセンスで公開されており、Python標準ライブラリのみで動作するため、pip install不要で利用可能。