에이전트가 영상 링크를 받아 장면을 보고 자막을 읽게 만드는 스킬
브라우저에서 보는 영상 링크를 복사해 채팅창에 붙여넣기만 하면, 에이전트가 그 영상의 핵심 장면을 골라내고 말한 내용을 텍스트로 정리해 줍니다. 영상 파일을 직접 열거나 자막 파일을 따로 추출할 필요 없이, 에이전트가 스스로 영상을 '보고' 이해하는 과정을 자동화합니다. 이 도구는 Claude Code나 Codex 같은 에이전트 환경에 설치해 사용하는 스킬입니다.
영상 증거를 텍스트로 변환하는 방식
이 도구는 영상의 시각적 정보와 음성 정보를 분리해 에이전트가 처리할 수 있는 형태로 변환합니다. 기본적으로 영상의 특정 시점 프레임들을 추출하고, 자막이 있으면 이를 텍스트로 변환합니다. 자막이 없는 영상은 로컬에서 음성 인식 모델을 실행하거나 클라우드 API를 호출해 자막을 생성합니다. 이렇게 만든 프레임과 자막은 타임스탬프와 함께 묶여 에이전트에 전달됩니다. 에이전트는 이 데이터를 바탕으로 영상의 내용을 요약하거나 특정 순간의 장면을 설명합니다.
두 가지 처리 엔진
사용자는 두 가지 처리 방식 중 하나를 선택할 수 있습니다. 첫 번째는 Gemini 엔진으로, Google의 AI 모델을 이용해 영상을 직접 분석합니다. 이 방식은 YouTube 링크를 바로 처리할 수 있고, 로컬 파일은 Google 서버로 업로드된 후 분석됩니다. 두 번째는 로컬 엔진으로, 사용자의 컴퓨터에서 FFmpeg와 yt-dlp를 이용해 프레임을 추출하고 자막을 생성합니다. 로컬 엔진은 외부 서버에 영상을 올리지 않으므로 프라이버시를 중시하는 환경에 적합합니다. 기본 설정은 Gemini API 키가 있으면 Gemini를, 없으면 로컬 엔진을 자동으로 선택합니다.
설치와 초기 설정
Claude Desktop, VS Code, 터미널, Codex 등 다양한 에이전트 환경에 설치할 수 있습니다. Claude Desktop을 사용하는 경우 'Customize' 메뉴에서 마켓플레이스를 추가하고 Watch 스킬을 설치하면 됩니다. 터미널에서 Claude Code를 사용하는 경우 /plugin marketplace add bradautomates/claude-video 명령어를 입력해 설치합니다. Codex를 사용하는 경우 메시지 창에 설치 지시를 입력하거나 터미널 명령어를 실행할 수 있습니다. 설치 후 Python 3.10 이상, FFmpeg, yt-dlp가 시스템에 있어야 하며, 에이전트가 이 의존성들을 자동으로 확인하고 설치 방법을 안내합니다.
사용 전 확인 사항
이 도구는 특정 에이전트 환경에서만 작동하며, Claude Chat이나 Cowork에서는 사용할 수 없습니다. 로컬 엔진을 사용할 경우 Python, FFmpeg, yt-dlp가 최신 버전으로 설치되어 있어야 하며, YouTube 영상을 처리하려면 Deno와 같은 JavaScript 런타임이 필요합니다. 음성 인식 기능을 활성화하려면 로컬 WhisperX 설치 시 최소 3GB의 디스크 공간과 8GB의 RAM이 필요하며, Apple Silicon macOS에서 검증된 상태입니다. 클라우드 엔진을 사용할 경우 GEMINI_API_KEY가 필요하며, 로컬 파일은 Google 서버로 업로드되므로 민감한 영상은 로컬 엔진 사용을 권장합니다. yt-dlp는 사이트 변경에 따라 자주 업데이트가 필요하므로 최신 버전을 유지하는 것이 중요합니다.
