agentsclimarketplace
Sign in

Media use skill

Skill Nu424/media-use-skill/skills/media-use-skill

ローカルマシンのカメラ・マイク・スピーカー・画面をエージェントに使わせる。 写真撮影やウェブカメラでの確認、音声の録音・文字起こし・ボイスメモ、 スクリーンショット、音声での読み上げ返答を依頼されたときに使う。 キャプチャは ffmpeg、文字起こし・音声合成・詳細な画像解析は aitool CLI （aitool-iroiro）に委譲する。From its SKILL.md

Install
npx -y skills add Nu424/media-use-skill --skill media-use-skill

Assembled from the repository path, not quoted from the project. Check it against their README if it does not work.

2 things to look at

  • no licenseNo license file was found in the repository. Code published without one is not open source by default, so using it at work is a question for whoever answers licensing questions where you are.
  • 0 stars0 stars. Stars are a popularity signal and not a quality one, but at this level it is likely that nobody has read this closely except its author, and you would be relying on your own review.

SKILL.md

4.6 KB, ~1.5k tokens by cl100k_base, as published. Nobody here has run it

メディア利用（カメラ / マイク / スピーカー / 画面）

エージェントにローカル機器の「目・耳・口」を与えるスキル。

  • デバイス指定は不要。 省略すると既定デバイス（最初のカメラ／マイク、主画面）を自動選択する。
  • すべてのコマンドはスキルディレクトリから python scripts/media.py <command> で実行する。
  • uvが導入されている環境の場合、そちらを優先して使用する (環境によっては、 Python ではなく uv のほうがデフォルトとなっている場合がある)。

できること早見表

やりたいことコマンド結果の使い方
写真を撮るmedia.py photo → .jpgRead で画像を見る
動画を撮るmedia.py video → .mp4フレーム抽出 → Read
画面を撮るmedia.py screen → .pngRead で画像を見る
音声を録るmedia.py audio → .wavaitool transcribe で文字起こし
音声で返答aitool tts → .mp3media.py play で再生
難しい画像解析aitool recognize-imageGoogle モデルが解析（後述）

大原則： ライブ映像・音声は直接「見る／聞く」ことはできない。 必ず キャプチャ → ファイル化 → 確認 の順で扱う。

写真を撮る

python scripts/media.py photo                 # 既定カメラ → photo_<時刻>.jpg
python scripts/media.py photo --out shot.jpg  # 出力先を指定

撮影後は 必ず Read で内容を確認する。暗いウォームアップフレームは自動でスキップ済み。

音声を録って文字起こし

python scripts/media.py audio --seconds 15 --out memo.wav  # 既定マイクで15秒録音
aitool transcribe --audio memo.wav                         # テキストを標準出力

複数話者・会議は LLM モードで話者分離：

aitool transcribe --mode llm --prompt "話者を分けて文字起こし" --audio memo.wav

音声で読み上げる（TTS → スピーカー）

aitool tts --text "準備ができました" --output reply.mp3
python scripts/media.py play reply.mp3

画面をキャプチャする

python scripts/media.py screen               # スクリーンショット → screen_<時刻>.png
python scripts/media.py screen --seconds 10  # 10秒録画 → .mp4

撮影後は Read で確認し、ユーザーが見ている画面を把握する。

難しい画像は aitool に委譲する

単純な画像は自分で Read してよい。ただしモデルにより画像理解力は差があり、画像を全く扱えないモデルもある。 次の場合は推測せず Google ビジョンモデル（既定 google/gemini-3-flash-preview）に任せる：

  • 文字が密なテキスト／OCR、表・図・グラフ、手書き、細部
  • 自分の Read で内容に自信が持てないとき、または画像が読めないとき
aitool recognize-image --text "この表をMarkdownにして" --image shot.jpg
aitool recognize-image --text "プレートの文字を読み取って" --image shot.jpg --output result.txt

安全・プライバシー（毎回）

  • 録音・撮影の 前に「何を・何秒」記録するかユーザーに伝える。
  • 人物や私的空間の撮影・録音はセンシティブ。同意を得る。
  • 録画は短時間に区切る（--seconds の既定は意図的に短い）。無期限録画はしない。
  • 作成したファイルのパスを伝え、削除を申し出る。

前提・困ったとき

  • 必要なもの：ffmpeg（ffplay 同梱）が PATH にある、aitool 導入済み、OPENROUTER_API_KEY / GEMINI_API_KEY 設定済み。
  • 詳しい導入は references/setup.md、エラー対処は references/troubleshooting.md。
  • デバイスが複数あって選びたいときだけ python scripts/media.py list で一覧 → --device "名前" で指定。

What ships with it: 3 files

21.0 KB alongside SKILL.md, 1 of them executable

references/

scripts/

Gives 0 of the 12 instructions most media documents skills give in ~1.5k tokens

Counted across 157 of the 158 authors here whose files we hold, read 2026-08-07

  • Provide posting time recommendationsin 7 of 157, across 5 files
  • Track metrics over time to identify trendsin 6 of 157, across 2 files
  • Read marketing context file before startingin 6 of 157, across 5 files
  • Choose platforms based on audience presencein 6 of 157, across 4 files
  • Adapt tone for each platformin 6 of 157, across 4 files
  • Ensure data completeness before analysisin 5 of 157, across 1 file
  • Compare metrics within same time periodsin 5 of 157, across 1 file
  • Account for platform-specific benchmarksin 5 of 157, across 1 file
  • Separate organic and paid metricsin 5 of 157, across 1 file
  • Include context when interpreting resultsin 5 of 157, across 1 file
  • Keep tweets under 280 charactersin 5 of 157, across 3 files
  • Download top-K results with an attribution sidecarin 5 of 157, across 2 files

Said here and by no other author read

  • capture to a file before inspecting media
  • run commands via the media script
  • use uv if available
  • omit device specification to use defaults
  • read images immediately after capturing
  • delegate complex image analysis to the vision tool

Grouped from the skills themselves: near-identical wordings counted once, and counted by distinct author, so one author publishing three of these counts once. Length counted with cl100k_base; the agent that loads this file may tokenize it differently.

Keep looking

Skills are one crate of 326,149. Ordering is by how many stacks a row turns up in, so the top of any crate is what has actually been picked rather than what has the most stars.