動画が教えるのは、人。この先、教えるのは、あなたのAI。

video-to-skill とは？

video-to-skill（V2S）は、あらゆるチュートリアル動画（YouTube の URL でも手元のファイルでも）を、AI コーディングエージェント向けの「インストールでき、実行によって検証済み」のスキルへ変換する無料のオープンソースツールです。動画を視聴し、画面上の文字を読み取り、書き起こした手順を一つずつ実際に試したうえで、本当に実行できるスキルをエージェントに渡します。

インストールはコマンド 1 つです：

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

v0.2.3 以降、生成されたスキルはマシン上で検出されたすべてのエージェント（Claude Code、Codex、Cursor、Gemini CLI、GitHub Copilot、OpenCode、Amp）にインストールされます。実体は ~/.agents/skills に 1 つだけ置かれ、他の場所からは相対シンボリックリンクが張られます。真実の在り処が 1 か所なので、あとから更新しても全員に届きます。

文字起こしだけでは足りない理由

video-to-skill は音声の文字起こしだけでなく、フレームに映った画面上の文字を読み取ります。文字起こしは、手順を「実行できるもの」にしている細部をちょうど取りこぼすからです。実際の処理で記録された聞き間違いを 3 件挙げます。

処理のどの段階でも、画面上の文字がナレーションより優先されます。コマンドはピクセルから読み取るのであって、言い換えることはありません。各手順には [t=MM:SS] の出典と読み取り元のフレームも付くので、どの主張も動画の該当する 1 秒に戻って確認できます。

検証の仕組み

video-to-skill の検証は、生成されたパッケージだけを見て動画は一切見ない、まっさらなサンドボックス内のサブエージェントが担当します。各手順をその手順自身の成功条件に照らして実際に実行し、バッジはその実行が勝ち取った結果そのものです。

• ✅ 検証済み — 手順が実行され、成功条件を満たしました。
• 🟡 一部検証済み — 一部の条件は満たされ、残りは確認できませんでした。
• ⚠ 未検証 — 手順を実行できず、スキル側にもその旨が明記されます。

実行すると危険な手順は方針に従ってスキップされ、スキップした旨が明示されます。黙って緑にすることはありません。

実際の処理で起きた修復の例です。あるチュートリアルの貼り付け手順は "+P としてコンパイルされましたが、これはシステムのクリップボードではなく Vim の内部レジスタから貼り付けます。サンドボックスが実行して条件が満たされず、修復ループが "+p に直し、再実行で実際の macOS クリップボードに対して貼り付けを検証しました。

処理側が確信を持てない手順は、黙って通すのではなく低信頼としてフラグを付けて出荷されます。手順が何も含まれていない動画は、手順をでっち上げるのではなく分析レポートとともに拒否されます。

複数の動画でスキルが育つ仕組み

同じ作業を扱う 2 本目の動画を既存のスキルに取り込むと、上書きではなく補強になります。2 本が一致する箇所は出典が二重になり、食い違う箇所は黙って置き換えられるのではなく出典付きのバリエーションになり、Sources セクションが統合の履歴を記録します。統合するとバッジは無効になり、再インストール前に検証がやり直されます。

V2S は何が違うのか

video-to-skill は、よく知られた 2 つのツール群の隣に位置しますが、仕事の中身はどちらとも異なります。動画→ドキュメント系のツールは、動画を人間が読む文書に変えます。操作記録ツールは、自分で実演したセッションを人間向けの手引きに変えます。V2S は、自分では撮っていない動画を、エージェントが実行できる手順に変えます。

肝心な違いはここです。文書は人間に手順を説明するもので、スキルはエージェントに実行できる手順を手渡すもの——しかも一つひとつが、出荷前にサンドボックスで一度実際に動いています。

処理速度

Metal アクセラレーションを備えた Apple M5 では、video-to-skill は 2 分・720p のチュートリアルを最初から最後まで 3.3 秒（実時間の 36.5 倍速）で処理しました。同じ動画を GitHub の 3 コア・CPU のみの macOS ランナーで処理すると 67.5 秒、1.8 倍速です。文字起こし単体ではローカルで 8.0 倍速、CI で 1.3 倍速になります。

どちらの数字も手元のハードウェアで再現できます。同じベンチマークが同じ表を出力します：

vts-extract bench

CI の数値は Metal アクセラレーションのない共有 3 コア仮想マシンのものなので、典型例ではなく遅い側の端にあたります。

プライバシーとセキュリティ

video-to-skill はすべて自分のマシン上で動きます。動画がマシンの外に出ることはなく、モデルのコンテキストに入るのはエージェントが自分で選んで確認したフレームだけです。アカウントも API キーもテレメトリもありません。

動画は、実行可能な手順へと流れていく信頼できない入力です。だからこそ境界を明示しています。ダウンロードはすべてチェックサムで固定され、GitHub のビルド来歴証明が付きます。gh attestation verify で自分で確認できます。コンパイラは秘密情報らしき文字列や、ダウンロードしてそのまま実行する類のスクリプトを拒否します。動画の中でエージェントに直接語りかけてくる文字列は、指示として従うのではなくプロンプトインジェクションの疑いとして扱われます。

限界

video-to-skill が最も得意とするのは、画面録画、CLI や GUI のチュートリアル、講演です。動きの速い実演では、キーフレームの間で動作の細部が失われます。GUI 上でしか確認できない主張は実行による検証ができない場合があり、その旨を明示したうえで出荷されます。バッジの陰に隠すことはしません。手順を含まない動画は、手順をでっち上げるのではなく拒否され、信頼度の低い手順にはフラグが付いた状態で出荷されます。

対応プラットフォームは macOS（Apple Silicon では Metal アクセラレーション対応）と Linux です。