Aitool iroiro

aitool-iroiro スキル

OpenRouter APIとGoogle GenAI API、OpenAI APIを使ったマルチモーダルAI CLIツール群。aitool コマンド1本で画像生成・画像認識・動画理解・文字起こし・タイムスタンプ付き文字起こし・音声合成を実行できる。

コマンドリファレンス

共通オプション（全コマンドで使用可能）

オプション	説明	デフォルト
--model TEXT	使用モデルを上書き	環境変数またはプログラム内定数
--api-key TEXT	APIキーを指定（動画理解はGoogle GenAI、タイムスタンプ付き文字起こしはOpenAI、それ以外はOpenRouter）	.env / 環境変数
--timeout FLOAT	HTTPタイムアウト（秒）	120.0
--json	メタ情報をJSON形式で標準出力に表示	False
--verbose	追加ステータスをstderrに表示	False

---

generate-image — 画像生成

テキストプロンプトから画像生成（t2i）、または入力画像を編集（i2i）する。

aitool generate-image \
  --text "かわいい猫を追加してください" \
  --output ./output.png \
  [--image ./input.png] \   # 省略するとt2i、指定するとi2i
  [--aspect-ratio 1:1] \
  [--image-size 1K]

オプション	短縮	必須	説明
--text TEXT	-t	✅	プロンプトテキスト
--output PATH	-o	✅	生成画像の保存先パス
--image PATH	-i	—	入力画像パス（複数回指定可）
--aspect-ratio TEXT	—	—	アスペクト比（例: 1:1, 16:9）
--image-size TEXT	—	—	画像サイズ（例: 1K, 2K, 4K）
+ 共通オプション

--json 出力のキー: output, model, mime, message

---

recognize-image — 画像認識

画像に対してテキストで質問し、回答を得る。

aitool recognize-image \
  --text "この画像を説明してください" \
  --image ./photo.png \
  [--output ./result.txt]  # 省略すると標準出力

オプション	短縮	必須	説明
--text TEXT	-t	✅	プロンプトテキスト
--image PATH	-i	✅	入力画像パス（複数回指定可）
--output PATH	-o	—	テキスト結果の保存先（省略→標準出力）
+ 共通オプション

--json 出力のキー: output, model

---

recognize-video — 動画理解

ローカル動画または公開YouTube URLに対してテキストで質問し、回答を得る。ローカル動画はGoogle GenAIのFile APIでアップロードしてから処理する。

aitool recognize-video \
  --text "この動画を要約してください" \
  --video ./meeting.mp4 \
  [--output ./result.txt]

aitool recognize-video \
  --text "章立てして、重要な発言を抽出してください" \
  --video "https://www.youtube.com/watch?v=..." \
  --fps 0.5 \
  --structured-output \
  --output ./video-analysis.json

オプション	短縮	必須	説明
--text TEXT	-t	✅	プロンプトテキスト
--video TEXT	-v	✅	入力動画パス、または公開YouTube URL
--output PATH	-o	—	テキスト/JSON結果の保存先（省略→標準出力）
--structured-output	—	—	組み込み動画分析スキーマに沿ったJSONを出力
--fps FLOAT	—	—	動画サンプリングのカスタムフレームレート
+ 共通オプション

--json 出力のキー: output, model, structured_output, fps

注意: YouTube URLは公開動画のみ対応。動画理解ではGEMINI_API_KEYを使用する。

---

transcribe — 音声文字起こし

音声ファイルをテキストに変換する。

# STT専用APIを使う（デフォルト）
aitool transcribe --audio ./voice.mp3 [--output ./transcript.txt]

# マルチモーダルLLMに処理させる（プロンプト付き）
aitool transcribe \
  --mode llm \
  --prompt "話者ごとに分けてください" \
  --audio ./meeting.mp3

オプション	短縮	必須	説明
--audio PATH	-a	✅	入力音声ファイルパス
--output PATH	-o	—	テキスト結果の保存先（省略→標準出力）
--format TEXT	—	—	音声フォーマット（省略→拡張子から推定）
--mode TEXT	—	—	dedicated（デフォルト）または llm
--prompt TEXT	—	—	--mode llm 使用時のプロンプト
+ 共通オプション

--json 出力のキー: output, model, mode

---

transcribe-timestamp — タイムスタンプ付き文字起こし

OpenAI 公式 API を直接呼び出し、segment（または word）単位のタイムスタンプ付き文字起こしを行う。結果は verbose_json 形式の JSON。

# セグメント単位（デフォルト）
aitool transcribe-timestamp --audio ./voice.mp3 [--output ./transcript.json]

# 単語単位のタイムスタンプも含める
aitool transcribe-timestamp \
  --audio ./voice.mp3 \
  --granularity segment \
  --language ja \
  --output ./transcript.json

オプション	短縮	必須	説明
--audio PATH	-a	✅	入力音声ファイルパス
--output PATH	-o	—	JSON結果の保存先（省略→標準出力）
--format TEXT	—	—	音声フォーマット（省略→拡張子から推定）
--granularity TEXT	—	—	segment（デフォルト）、word、both
--language TEXT	—	—	入力言語の ISO-639-1 コード
--prompt TEXT	—	—	スタイル誘導用プロンプト
+ 共通オプション（--json 除く）

注意: OPENAI_API_KEY が必要。既定モデルは whisper-1（25MB まで）。gpt-4o-transcribe 系は verbose_json 非対応のため使用不可。

---

tts — 音声合成

テキストから音声ファイルを生成する。

aitool tts \
  --text "こんにちは。テストです。" \
  --output ./voice.mp3 \
  [--voice alloy] \
  [--format mp3] \
  [--speed 1.0]

オプション	短縮	必須	説明
--text TEXT	-t	✅	合成するテキスト
--output PATH	-o	✅	音声ファイルの保存先パス
--voice TEXT	—	—	ボイス識別子（デフォルト: alloy）
--format TEXT	—	—	出力音声フォーマット（デフォルト: mp3）
--speed FLOAT	—	—	再生速度（モデルが対応している場合）
+ 共通オプション

--json 出力のキー: output, model, content_type, generation_id

---

困ったときは

aitool: command not found — 未インストールの場合

インストールせずに一時実行する:

uvx --from git+https://github.com/Nu424/aitool-iroiro.git aitool <サブコマンド> [オプション]

または恒久インストール:

uv tool install git+https://github.com/Nu424/aitool-iroiro.git

Error: OPENROUTER_API_KEY not found — OpenRouter APIキー未設定の場合

ユーザーに以下のいずれかを案内する:

A. カレントディレクトリに .env を作る（推奨）:

OPENROUTER_API_KEY=sk-or-xxxxxxxxxxxxxxxx

B. ホームの ~/.env.global に書く（グローバル設定）:

OPENROUTER_API_KEY=sk-or-xxxxxxxxxxxxxxxx

C. CLI引数で直接渡す（一時的な使用）:

aitool generate-image --api-key sk-or-xxx --text "..." --output ./out.png

APIキーは https://openrouter.ai/keys で取得できる。

Error: GEMINI_API_KEY not found — Google GenAI APIキー未設定の場合

動画理解を使う場合は、以下のいずれかでGoogle GenAI APIキーを設定する:

GEMINI_API_KEY=xxxxxxxxxxxxxxxx

またはCLI引数で直接渡す:

aitool recognize-video --api-key xxxxx --text "要約して" --video ./video.mp4

Error: OPENAI_API_KEY not found — OpenAI APIキー未設定の場合

タイムスタンプ付き文字起こしを使う場合は、以下のいずれかで OpenAI API キーを設定する:

OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxx

またはCLI引数で直接渡す:

aitool transcribe-timestamp --api-key sk-xxx --audio ./voice.mp3

APIキーは https://platform.openai.com/api-keys で取得できる。

---

参考: API キー・モデルの設定

APIキーとモデルは以下の優先順で解決される（上ほど優先）。

優先度	方法
1	--api-key CLI引数
2	カレントディレクトリの .env
3	~/.env.global
4	環境変数

.env の例:

OPENROUTER_API_KEY=sk-or-...
GEMINI_API_KEY=...
OPENAI_API_KEY=sk-...

# モデルを変えたい場合（省略時はプログラム内定数が使われる）
AITOOL_IMAGE_GENERATION_MODEL=google/gemini-3.1-flash-image-preview
AITOOL_IMAGE_RECOGNITION_MODEL=google/gemini-3-flash-preview
AITOOL_STT_MODEL=openai/whisper-large-v3-turbo
AITOOL_STT_TIMESTAMP_MODEL=whisper-1
AITOOL_TTS_MODEL=google/gemini-3.1-flash-tts-preview
AITOOL_VIDEO_RECOGNITION_MODEL=gemini-3.5-flash