वीडियो लोगों को सिखाते हैं। अब वे आपके AI को सिखाते हैं।

video-to-skill क्या है?

video-to-skill (V2S) एक मुफ़्त, ओपन-सोर्स टूल है जो किसी भी ट्यूटोरियल वीडियो को — चाहे वह YouTube का लिंक हो या आपकी मशीन की फ़ाइल — AI कोडिंग एजेंट के लिए एक इंस्टॉल-योग्य, चलाकर-जाँची गई स्किल में बदल देता है। यह वीडियो देखता है, स्क्रीन पर लिखा पाठ पढ़ता है, अपने लिखे हर चरण को परखता है, और आपके एजेंट को ऐसी स्किल सौंपता है जिसे वह सचमुच चला सके।

एक ही कमांड से इंस्टॉल हो जाता है:

npx skills@latest add brenoepics/video-to-skill

v0.2.3 से बनी हुई स्किल मशीन पर मिले हर एजेंट के लिए इंस्टॉल होती है — Claude Code, Codex, Cursor, Gemini CLI, GitHub Copilot, OpenCode और Amp — ~/.agents/skills में एक असली प्रति रहती है और बाकी हर जगह से उस तक सापेक्ष सिमलिंक जाता है। सच का एक ही स्रोत, इसलिए बाद का कोई भी अपडेट सभी तक पहुँच जाता है।

अकेला ट्रांसक्रिप्ट क्यों काफ़ी नहीं

video-to-skill सिर्फ़ ऑडियो ट्रांसक्रिप्ट नहीं, बल्कि फ़्रेमों में दिख रहा स्क्रीन-पाठ पढ़ता है, क्योंकि ट्रांसक्रिप्ट ठीक वही ब्योरे खो देता है जो किसी चरण को चलाने लायक बनाते हैं। असली रन में दर्ज तीन ग़लत-सुनाइयाँ:

पूरी प्रक्रिया में स्क्रीन-पाठ कथन से ऊपर रहता है: कमांड पिक्सल से पढ़े जाते हैं, कभी अपने शब्दों में नहीं लिखे जाते। हर चरण के साथ [t=MM:SS] स्रोत-चिह्न और वह फ़्रेम भी जुड़ा रहता है जिससे उसे पढ़ा गया, इसलिए किसी भी दावे को वीडियो के उसी सेकंड से मिलाकर जाँचा जा सकता है।

जाँच कैसे होती है

video-to-skill में जाँच एक बिलकुल नया, सैंडबॉक्स में चलने वाला उप-एजेंट करता है, जिसे सिर्फ़ बना हुआ पैकेज दिखता है, वीडियो कभी नहीं। वह हर चरण को उसी चरण की सफलता-कसौटी पर चलाकर देखता है, और बैज वही मिलता है जो उस रन ने कमाया:

• ✅ जाँचा गया — चरण चला और अपनी सफलता-कसौटी पर खरा उतरा।
• 🟡 आंशिक रूप से जाँचा गया — कुछ कसौटियाँ पूरी हुईं, कुछ जाँची नहीं जा सकीं।
• ⚠ नहीं जाँचा गया — चरण चलाया नहीं जा सका, और स्किल यह साफ़ लिखती है।

जिन चरणों को चलाना असुरक्षित होता, उन्हें नीति के तहत छोड़ दिया जाता है और छोड़ा हुआ बताया जाता है — उन्हें चुपचाप हरा नहीं कर दिया जाता।

एक असली रन से लिया गया सुधार: किसी ट्यूटोरियल का पेस्ट वाला चरण "+P बनकर निकला, जो सिस्टम क्लिपबोर्ड से नहीं, Vim के भीतरी रजिस्टर से पेस्ट करता है। सैंडबॉक्स ने उसे चलाया, कसौटी विफल रही, सुधार-लूप ने उसे "+p किया, और दोबारा चलाने पर असली macOS क्लिपबोर्ड के सामने पेस्ट की पुष्टि हुई।

जिन चरणों पर प्रक्रिया को भरोसा नहीं होता, वे चुपचाप निकलने के बजाय कम-भरोसे के निशान के साथ जारी होते हैं, और जिस वीडियो में कोई प्रक्रिया ही नहीं है उसे गढ़े हुए चरणों में बदलने के बजाय एक विश्लेषण रिपोर्ट के साथ अस्वीकार कर दिया जाता है।

कई वीडियो से स्किल कैसे बढ़ती है

उसी काम का दूसरा वीडियो किसी मौजूदा स्किल में जोड़ने पर वह मिटती नहीं, मज़बूत होती है: दोनों वीडियो जहाँ सहमत हैं वहाँ दोहरा स्रोत-चिह्न जुड़ता है, टकराव चुपचाप बदलाव के बजाय हवाले सहित विकल्प बन जाते हैं, और एक स्रोत खंड पूरा इतिहास दर्ज रखता है। हर जोड़ बैज को रद्द कर देता है — दोबारा इंस्टॉल से पहले जाँच फिर चलती है।

V2S की तुलना

video-to-skill दो जानी-पहचानी टूल श्रेणियों के बग़ल में खड़ा है, पर काम दोनों से अलग करता है। वीडियो-से-दस्तावेज़ टूल वीडियो को इंसान के पढ़ने लायक दस्तावेज़ बनाते हैं; वर्कफ़्लो रिकॉर्डर आपके किए हुए सत्र को इंसान के लिए चरण-दर-चरण गाइड बनाते हैं। V2S उस वीडियो को, जिसे आपने रिकॉर्ड भी नहीं किया, एजेंट के चलाने योग्य चरणों में बदलता है।

असली फ़र्क़ यह है: दस्तावेज़ किसी इंसान को प्रक्रिया समझाता है, जबकि स्किल एजेंट को ऐसे चरण थमाती है जिन्हें वह चला सके — और हर चरण जारी होने से पहले सैंडबॉक्स में एक बार चल चुका होता है।

प्रदर्शन

Metal त्वरण वाले Apple M5 पर video-to-skill ने 2 मिनट के 720p ट्यूटोरियल को शुरू से आख़िर तक 3.3 सेकंड में प्रोसेस किया — यानी वास्तविक गति से 36.5 गुना। वही क्लिप GitHub के 3-कोर, बिना GPU वाले macOS रनर पर 67.5 सेकंड यानी 1.8 गुना लेती है। अकेली ट्रांसक्रिप्शन स्थानीय रूप से 8.0 गुना और CI में 1.3 गुना चलती है।

दोनों आँकड़े आपके अपने हार्डवेयर पर दोहराए जा सकते हैं — वही सुइट वही तालिका छापता है:

vts-extract bench

CI के आँकड़े साझा 3-कोर वर्चुअल मशीनों से आते हैं जिनमें Metal त्वरण नहीं होता, इसलिए वे इस दायरे का धीमा सिरा हैं, आम स्थिति नहीं।

निजता और सुरक्षा

video-to-skill पूरी तरह आपकी अपनी मशीन पर चलता है। वीडियो कभी उससे बाहर नहीं जाता, और मॉडल के संदर्भ में सिर्फ़ वही फ़्रेम पहुँचते हैं जिन्हें एजेंट ख़ुद देखना चुनता है। न कोई खाता, न API कुंजी, न टेलीमेट्री।

वीडियो एक अविश्वसनीय इनपुट है जो आगे चलकर चलने-योग्य चरणों तक पहुँचता है, इसलिए सीमाएँ साफ़ खींची गई हैं। हर डाउनलोड चेकसम से बँधा है और उस पर GitHub का बिल्ड-प्रोवेनेंस प्रमाणन रहता है, जिसे आप ख़ुद gh attestation verify से जाँच सकते हैं। कंपाइलर गुप्त-सी दिखने वाली स्ट्रिंग और डाउनलोड-कर-के-चला-दो जैसी स्क्रिप्ट अस्वीकार कर देता है, और वीडियो में एजेंट को सीधे संबोधित करने वाले पाठ को निर्देश मानने के बजाय संदिग्ध प्रॉम्प्ट इंजेक्शन माना जाता है।

सीमाएँ

video-to-skill स्क्रीनकास्ट, कमांड-लाइन व ग्राफ़िकल इंटरफ़ेस ट्यूटोरियल और व्याख्यानों पर सबसे अच्छा काम करता है। तेज़ भौतिक प्रदर्शनों में मुख्य फ़्रेमों के बीच गति का ब्योरा छूट जाता है। जो दावे सिर्फ़ ग्राफ़िकल इंटरफ़ेस में दिखते हैं, उन्हें चलाकर जाँचना संभव न भी हो — वे इसी लेबल के साथ जारी होते हैं, बैज के पीछे छिपाए नहीं जाते। बिना प्रक्रिया वाले वीडियो गढ़े हुए चरणों में बदलने के बजाय अस्वीकार कर दिए जाते हैं, और कम भरोसे वाले चरण निशान के साथ जारी होते हैं।

समर्थित प्लेटफ़ॉर्म हैं macOS (Apple Silicon पर Metal त्वरण के साथ) और Linux।