youtube-guitar-tab-parser: YouTubeのギターレッスンをClaude VisionでPDFタブに変換するCLIツール

YouTubeのギターレッスンで曲を覚えようとしたことがある人なら、あの苦しみを知っているだろう：タブがスクロールしていき、インストラクターの手が楽譜を遮り、何分も前後にスクラブし続ける羽目になる。新しいオープンソースCLIツールyoutube-guitar-tab-parserは、Claudeの視覚モデルを使って重い処理を行い、あらゆるYouTubeギターレッスンをクリーンなPDFタブに変換することで、この問題を解決しようとしている。

仕組み

パイプラインは驚くほどシンプルだ。ツールはyt-dlpで動画をダウンロードし、ffmpegで設定可能な間隔（デフォルトは2秒ごと）でフレームを抽出する。巧妙なのは次の部分だ：正確なピクセル座標を視覚モデルに求める代わりに（これは悪名高いほど信頼性が低い）、サンプルフレームにラベル付きの水平バンドグリッドを描き、どのバンドに楽譜が含まれているかをClaudeに報告させる。この大まかなアプローチは外れ値に強く、信頼性の高い垂直トリミング領域を与えてくれる。

タブ領域が特定されたら、すべてのフレームをその領域にトリミングする。知覚ハッシュ（dHash）で連続するほぼ同一のトリミングを削除し、APIコストを削減する。次にClaudeが各行の先頭に印刷された小節番号を読み取り、異なる小節番号ごとに1つのトリミングだけを保持し、タイトルカードやイントロなどの非タブフレームを除外する。最後にpdf-libが、異なるタブ行を縦方向にA4ページに連結し、動画タイトルを見出し、ドキュメントメタデータとして設定する。

主な詳細

• 必要条件： Node.js 20以上、yt-dlp、ffmpeg、およびAnthropic APIキー。
• セットアップ： npm install && npm run build、次に.envファイルにANTHROPIC_API_KEYを追加。
• 使い方： node dist/cli.js "<youtube-url>" — PDFはout/<video-title>.pdfに出力される。
• オプション： すべてに適切なデフォルト値が設定されている。スクリーンショット間隔、Claudeモデル、サンプルサイズ、重複排除しきい値、最大解像度を調整できる。

なぜこれが重要なのか

これは、LLMの視覚能力を派手なデモではなく、実際に実用的で適切にスコープされたタスクに活用する優れた例だ。設計上の選択—ピクセル完全な座標ではなく大まかなバンド検出、単純なフレーム比較ではなく小節番号による重複排除—は、真のエンジニアリング思考を示している。また、設定不要ですぐに使えるツールを見るのは新鮮だ。

ソースコードはGitHubでMITライセンスのもと公開されている。ギタリストでありコードも書く人なら、試してみる価値がある。