Video Sync — видео → транскрипт + кадры

Когда применять

Есть локальный видеофайл (mp4/иное) — запись встречи, скринкаст, демонстрация ручного процесса — и нужно разобрать его для воспроизведения: получить транскрипт И кадры, синхронизированные по таймкодам. Типовой кейс: робот повторяет ручные действия человека — транскрипт передаёт ЧТО делают, но не КУДА кликают; кадры на тех же таймкодах закрывают этот пробел. Для видео по URL с YouTube — скилл youtube-study (там транскрипт скрейпится браузером), не этот.

Правила (must follow)

1. Запуск скриптов — общим окружением скиллов $env:SKILLS_PY ($SKILLS_RUNTIME/.venv), НЕ venv проекта. Зависимости (av, faster-whisper) живут в рантайме скиллов — скилл проектно-нейтрален. Нет библиотеки → & $env:SKILLS_PY -m pip install av faster-whisper и дописать в $SKILLS_RUNTIME/requirements.txt.
2. Транскрипт — локально, наружу не отправлять. faster-whisper на CPU; видео с КТ/ПДн не уходит в облако. Модель medium тянется с HF при первом запуске (~1.5 ГБ, один раз). За корп-MITM-прокси скачивание с huggingface.co падает (CERTIFICATE_VERIFY_FAILED). Обход: (а) модель уже в кэше (~/.cache/huggingface/hub/models--Systran--faster-whisper-*) → запускать с $env:HF_HUB_OFFLINE='1' (+TRANSFORMERS_OFFLINE='1'), скачивание не дёргается; (б) первое скачивание — через объединённый CA (скилл cert-doctor) либо REQUESTS_CA_BUNDLE. transcribe.py при наличии модели в кэше сам выставит offline-флаг (см. CHANGELOG 2026-07-23).
3. ASR-текст содержит ошибки распознавания. Термины/имена/цифры восстанавливать по контексту и кадрам (кадр на таймкоде — арбитр: на нём видно реальное поле/значение).
4. Длинное видео (>20 мин, десятки таймкодов) — sync.md и кадры не грузить целиком в основную сессию: читать sync.md кусками (Read offset/limit) или отдать субагенту, а зрением смотреть только кадры ключевых шагов.
5. Кадры и транскрипт писать в git-ignored место проекта (store/<задача>/, .playwright-mcp/, scratchpad) — не в src/ и не в репозиторий скилла. Это артефакты разбора, не код.
6. Кадр = истина по «куда нажали». Если транскрипт и кадр расходятся — верить кадру.

Процедура

1. Есть готовый транскрипт с таймкодами [MM:SS]? (например, уже сделан скиллом jira для вложения Jira) → сразу шаг 3. Иначе — шаг 2.
2. Транскрипт:

   & $env:SKILLS_PY $SKILLS_HOME/skills\video-sync\scripts\transcribe.py `
     --video "<путь>.mp4" --out "<store>\transcript.txt" --lang ru

   Долго (10 мин видео ≈ 10-15 мин на CPU) — при необходимости запускать в фоне (run_in_background). Выход — строки [MM:SS] текст.
3. Кадры + синхронизация:

   & $env:SKILLS_PY $SKILLS_HOME/skills\video-sync\scripts\frames.py `
     --video "<путь>.mp4" --transcript "<store>\transcript.txt" --out "<store>\frames"

   Много таймкодов → --every N (каждый N-й), чтобы не плодить сотни кадров. Выход: frames\t_<sec>.jpg + frames\sync.md.
4. Разбор: открыть sync.md, читать кадры ключевых шагов зрением (Read по .jpg). Для «робот повторяет процесс» — по кадрам собрать точную последовательность экран→клик→результат.

Данные

Перед работой: git -C $SKILLS_HOME pull. При активации допиши строку <дата> video-sync <проект> в data/usage.log (координатор закоммитит — сам git add/commit/push не делай).

Если скилл подвёл

Заметку в feedback/YYYY-MM-DD.md (в папке этого скилла): что ожидал, что оказалось. Правку по жалобе пользователя — в SKILL.md + запись в конец CHANGELOG.md (дата, что просил, что изменено), commit+push в master.