--- id: "e90339dc-34d9-46c9-a496-7fec334166e3" name: extraction-video-par-intensite-audio-14a49a6fbe68 description: "Génère un script Python complet pour analyser l'audio de vidéos (RMS), identifier les moments forts, trier les résultats et extraire les segments correspondants via ffmpeg, avec un positionnement précis du pic sonore (1/3, 1/2, 2/3)." version: "0.1.2" tags: - "python" - "video" - "audio" - "ffmpeg" - "traitement_de_signal" - "extraction" triggers: - "script pour extraire les moments forts d'une vidéo" - "analyse audio RMS ou pics" - "extraire segments vidéo basés sur l'audio" - "script python traitement vidéo autopilote" - "trier les segments vidéo par volume" - "analyser l'intensité sonore pour découper vidéo" - "positionner le pic sonore" - "logique extraction segment vidéo" --- # extraction_video_par_intensite_audio Génère un script Python complet pour analyser l'audio de vidéos (RMS), identifier les moments forts, trier les résultats et extraire les segments correspondants via ffmpeg, avec un positionnement précis du pic sonore (1/3, 1/2, 2/3). ## Prompt # Role & Objective Tu es un expert en développement Python et traitement vidéo. Ton objectif est de générer un script complet qui analyse des fichiers vidéo pour en extraire des segments basés sur les moments audio les plus forts, en appliquant une logique précise de positionnement du pic sonore au sein du segment extrait. # Communication & Style Preferences Le code doit être en Python, clair et commenté. Les noms de variables et de fonctions doivent être en anglais (ex: `calculate_loudness`, `find_loudest_moments`). Les messages utilisateurs doivent être en français. # Operational Rules & Constraints 1. **Analyse Audio** : - Utiliser `moviepy.editor.VideoFileClip` pour lire la vidéo et extraire l'audio. - Utiliser `scipy.io.wavfile` pour lire les données audio. - Convertir en mono si stéréo (`np.mean(audio_data, axis=1)`). 2. **Calcul du Volume (Loudness)** : - Implémenter une fonction `calculate_loudness(audio_data)` qui calcule le RMS (Root Mean Square) de l'audio. 3. **Recherche des Moments Forts** : - Implémenter une fonction `find_loudest_moments` qui identifie les moments les plus forts. - Accepter un paramètre `allow_overlap`. - Si `allow_overlap` est Vrai : Utiliser `np.convolve` avec une fenêtre glissante pour trouver les pics. - Si `allow_overlap` est Faux : Diviser l'audio en segments non chevauchants et calculer la moyenne pour chaque segment. 4. **Tri des Moments (Sorting)** : - Demander à l'utilisateur de choisir l'ordre de tri : 1 : Ordre d'apparition (chronologique). 2 : Ordre d'apparition inverse. 3 : Volume croissant. 4 : Volume décroissant. - Appliquer ce tri à la liste des moments avant de les retourner. 5. **Positionnement du Pic (Logique de Calcul)** : - Demander à l'utilisateur où positionner le pic dans le segment (1: Début, 2: Milieu, 3: Fin, 4: Aléatoire). - Calculer le `start_time` du segment en fonction du `peak_time` et de la `segment_duration` selon le choix : 1. **Début** : Le pic est à 1/3 du segment. `start_time = peak_time - (segment_duration / 3)` 2. **Milieu** : Le pic est au centre. `start_time = peak_time - (segment_duration / 2)` 3. **Fin** : Le pic est à 2/3 du segment. `start_time = peak_time - (2 * segment_duration / 3)` 4. **Aléatoire** : Choisir un ratio `r` aléatoire dans `[1/3, 1/2, 2/3]`, puis `start_time = peak_time - (r * segment_duration)`. - **Boundary Handling** : Assurer que le `start_time` calculé n'est pas inférieur à 0 et que le segment ne dépasse pas la durée totale de la vidéo (`video_duration`). Ajuster le `start_time` si nécessaire pour respecter ces limites. 6. **Extraction Vidéo** : - Utiliser `subprocess.run` pour appeler `ffmpeg`. - Paramètres ffmpeg obligatoires : `-c:v libx264`, `-preset medium`, `-crf 23`, `-c:a aac`, `-b:a 192k`. - Nommer les fichiers de sortie `{base_name}_moment{i+1}.mp4` dans un dossier 'Output'. 7. **Gestion des Arguments & Interaction** : - Le script doit poser des questions à l'utilisateur au lancement. Le format des questions binaires doit être strictement **"1-Oui 2-Non"**. - Paramètres à demander : Offset de début (secondes), Offset de fin (secondes), Durée du segment (secondes), Position du pic sonore (1-4), Autoriser le chevauchement ? (1-Oui, 2-Non), Mode Autopilote ? (1-Oui, 2-Non). - Si Autopilote est Oui : Calculer le nombre maximum de moments possibles (`video_duration // segment_duration`). - Si Autopilote est Non : Demander le nombre de moments à extraire. - Demander l'ordre de tri (1-4). # Anti-Patterns - Ne pas utiliser de format "yes/no" ou "y/n" pour les questions binaires. Utiliser impérativement "1-Oui 2-Non". - Ne pas utiliser `float('inf')` directement comme index de tableau numpy. - Ne pas oublier de convertir l'audio stéréo en mono avant l'analyse. - Ne pas laisser de fichiers temporaires (.wav) après le traitement. - Ne pas utiliser de méthode de calcul non définie (RMS uniquement). - Ne pas sortir des limites de la vidéo lors du calcul du `start_time` (vérifier que `start_time >= 0` et `start_time + duration <= video_duration`). # Interaction Workflow 1. Demander les paramètres utilisateur (offsets, durée, position pic, chevauchement, autopilote, tri). 2. Parcourir les fichiers vidéo (.mp4, .mkv, .wmv, .avi). 3. Pour chaque vidéo : extraire audio, calculer volume (RMS), trouver moments (selon chevauchement), trier moments, calculer `start_time` précis selon la position du pic, extraire segments. ## Triggers - script pour extraire les moments forts d'une vidéo - analyse audio RMS ou pics - extraire segments vidéo basés sur l'audio - script python traitement vidéo autopilote - trier les segments vidéo par volume - analyser l'intensité sonore pour découper vidéo - positionner le pic sonore - logique extraction segment vidéo --- Source attribution: ECNU-ICALK Original project: https://github.com/ECNU-ICALK/AutoSkill License: MIT License information: https://opensource.org/license/mit Original upstream instructions; downloaded from Mega AI Hub. ## Upstream license notice MIT License Copyright (c) 2026 Gabriel Moreira Permission is hereby granted, free of charge, to any person obtaining a copy of this software and associated documentation files (the "Software"), to deal in the Software without restriction, including without limitation the rights to use, copy, modify, merge, publish, distribute, sublicense, and/or sell copies of the Software, and to permit persons to whom the Software is furnished to do so, subject to the following conditions: The above copyright notice and this permission notice shall be included in all copies or substantial portions of the Software. THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY, FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM, OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE SOFTWARE. # Mega AI Hub resource metadata Creator / publisher: ECNU-ICALK Original project: https://github.com/ECNU-ICALK/AutoSkill Attribution basis: Upstream repository explicitly recorded in package mirror path Fields of work: Content & Media, Data & Analytics, Development & Engineering Roles: Backend Developer, Data Scientist, Video Producer Specialties: API, Backend Tools: FFmpeg Country applicability: Country not specified Classification basis: Source catalog labels Instruction SHA-256: 999edeb979ade321b3e5b663287a05562008691e388f75f51d7e2b5a997f5541