Extrae detalles visuales precisos de imágenes, transcribe audio/video, convierte documentos a markdown y genera imágenes.
- Estrellas en GitHub
- 126
- Archivos
- 9
- Último commit
- 16 may 2026
- Licencia
- MIT
- Herramientas permitidas
- —
¿Qué hace la skill media-processor?
Extrae detalles visuales precisos de imágenes, transcribe audio/video, convierte documentos a markdown y genera imágenes.
Resumen generado a partir del SKILL.md de la skill.
Sobre la skill media-processor
Extraer detalles visuales precisos de mockups de UI o capturas de pantalla densas es lo que este SKILL permite a desarrolladores y diseñadores. Proporciona herramientas especializadas para identificar colores hex exactos, espaciado en píxeles, tamaños de fuente y jerarquías de componentes a partir de imágenes. Cuando un agente necesita auditar una interfaz de usuario frente a un diseño o comparar capturas de pantalla para detectar regresiones visuales, puede cargar estas herramientas para generar especificaciones técnicas de alta precisión.
El SKILL utiliza tres scripts principales ubicados en el directorio scripts. El script gemini_batch_process.py se encarga del análisis de imágenes, la transcripción de audio y video, y la extracción de datos de PDFs. El script document_converter.py transforma archivos PDF, DOCX, XLSX y PPTX al formato markdown. Para tareas creativas, image_gen.py permite la generación y edición de imágenes, aunque esto requiere un plan de pago. Todas las operaciones dependen de una GEMINI_API_KEY y pueden ajustarse mediante overrides del modelo, como gemini-3.1-pro-preview, para tareas visuales complejas.
Lo que un agente puede hacer con ella
- 1Extraer especificaciones de UIPide al agente que identifique colores y espaciados exactos de un mockup de diseño para su implementación.
- 2Convertir documentos a markdownSolicita la conversión de archivos complejos de PDF u Office a texto markdown estructurado.
- 3Realizar auditorías de regresión visualHaz que el agente compare una captura de pantalla en vivo con un diseño original para encontrar inconsistencias.
- 4Transcribir archivos multimediaUsa la herramienta para convertir contenido de audio o video en texto escrito.
Escrito a partir del SKILL.md de la skill. Cada caso de uso se verifica con una cita del mismo.
Cómo instalar la skill media-processor
Cada comando copia la carpeta de la skill al directorio de skills del cliente. Reinicia el cliente o inicia una nueva sesión para cargarla.Instalar la skill media-processor en Claude Code
~/.claude/skills/media-processor/SKILL.md
$ npx degit avibebuilder/claude-prime/.claude/skills/media-processor ~/.claude/skills/media-processorInstalar la skill media-processor en Claude Code (project)
.claude/skills/media-processor/SKILL.md
$ npx degit avibebuilder/claude-prime/.claude/skills/media-processor .claude/skills/media-processorInstalar la skill media-processor en Codex
~/.agents/skills/media-processor/SKILL.md
$ npx degit avibebuilder/claude-prime/.claude/skills/media-processor ~/.agents/skills/media-processorInstalar la skill media-processor en Gemini CLI
~/.gemini/skills/media-processor/SKILL.md
$ npx degit avibebuilder/claude-prime/.claude/skills/media-processor ~/.gemini/skills/media-processorInstalar la skill media-processor en Claude.ai
npx degit avibebuilder/claude-prime/.claude/skills/media-processor media-processor && zip -r media-processor.zip media-processor # claude.ai → Customize → Skills → + → Create skill → Upload a skill → media-processor.zip
Verificaciones automáticas
Ejecutado 16 nov 2026Informe completo →Superó nuestras comprobaciones automáticas. No es una auditoría de seguridad: lee los scripts antes de dejar que un agente los ejecute. Cómo funcionan las verificaciones
- Repositorio de origen vinculado y accesibleavibebuilder/claude-prime/.claude/skills/media-processor is public and reachablegithub.com/avibebuilder/claude-prime/tree/HEAD/.claude/skill ↗Aprobado
- Licencia de código abierto (OSI)MITspdx.org/licenses/MIT.html ↗Aprobado
- Commit o lanzamiento en el último añoLast commit 2026-05-16github.com/avibebuilder/claude-prime/commits ↗Aprobado
- Sin descargar y ejecutar ni robo de credenciales en los scripts3 scripts read; no download-and-run, remote eval, base64 execution or credential uploadAprobado
- Sin instrucciones ocultas en SKILL.mdNo override phrases, safeguard switches, credential requests or hidden charactersgithub.com/avibebuilder/claude-prime/blob/HEAD/.claude/skill ↗Aprobado
- Las herramientas preaprobadas están acotadasNo pre-approved tools; the agent asks before using onegithub.com/avibebuilder/claude-prime/blob/HEAD/.claude/skill ↗Aprobado
- SKILL.md sigue el formato de Agent SkillsValid name and description; says when to use it; 75 linesgithub.com/avibebuilder/claude-prime/blob/HEAD/.claude/skill ↗Aprobado
SKILL.md
Ver en GitHubMedia Processor
Specialized tools for extracting precise visual details (exact colors, spacing, hierarchy), processing audio/video, and generating images.
Tools
All scripts live in scripts/ relative to this skill's directory. They auto-select the best model per task and handle retries, large file uploads, and error reporting.
| Script | Purpose |
|---|---|
gemini_batch_process.py |
Analyze images, transcribe audio/video, extract data from PDFs |
image_gen.py |
Generate and edit images (paid plan required) |
document_converter.py |
Convert PDF, DOCX, XLSX, PPTX to Markdown; extract page ranges and images |
Requires GEMINI_API_KEY in environment or .env in this skill's directory. Run any script with --help for setup details and available parameters.
Quick start — image analysis:
python <skill-dir>/scripts/gemini_batch_process.py \
--files <image-path> \
--task analyze \
--prompt "<tailored prompt>" \
--output <output-path>.md
Prompt Quality Matters
The prompt sent to the processing model is the single biggest factor in output quality. Tailor prompts to what the task actually needs — generic prompts produce generic results.
What makes a good analysis prompt:
- Ask for the specific details the task requires (hex colors, spacing in px, component hierarchy) rather than "describe this image"
- Structure the ask as a numbered list — the model mirrors the structure back, making output easy to parse
- Name the desired output format ("as a markdown table", "as JSON", "as a component tree")
- Include implementation context when relevant ("for React with Tailwind") so the model emphasizes useful details
Example prompt patterns:
UI implementation: "Extract component hierarchy, layout type, exact hex colors, typography (sizes/weights), spacing in px, interactive states, icons and decorative elements"
Chart data: "Extract chart type, axes with units, every data point with exact values, legend entries with colors. Output as a markdown table"
Design review: "Compare this screenshot against the design. Flag differences in spacing, colors, alignment, missing elements, and visual inconsistencies. Note exact values for each discrepancy"
Pasted Images
When a user pastes images in chat, they are auto-saved to:
$CLAUDE_DIR/image-cache/<current_session_id>/<image_number>.png
Use ls "$CLAUDE_DIR/image-cache/" to discover the session ID, then list its contents to find available images.
Model Overrides
Scripts auto-select models per task (see model-routing.md). Override with --model <model-id> when the default isn't enough — for example, --model gemini-3.1-pro-preview for complex visual analysis where the pro model catches more detail than flash.
References
| Reference | When to read |
|---|---|
| api-gotchas.md | Before using image generation, video processing, or raw API calls — prevents common failures |
| model-routing.md | When choosing or overriding the default model for a task |
| media-optimization.md | When files are too large to upload — ffmpeg compression recipes |
Gotchas
- Rate limits — scripts retry up to 3 times with backoff. If still rate-limited after retries, stop and ask the user to check their API key quota or provide a new key.
- Model IDs change — Google frequently rotates preview model IDs. If you get a 404, the model was likely superseded — check the models page for current IDs.
- Safety filters — the API may refuse some content. Report clearly to the user rather than retrying.
- Large files auto-upload — files >20MB automatically use the File API (2GB max, 48h retention). No action needed.
Archivos de esta skill
9Preguntas sobre la skill media-processor
¿Cómo instalo la skill media-processor en Claude Code?
Ejecuta npx degit avibebuilder/claude-prime/.claude/skills/media-processor ~/.claude/skills/media-processor. Claude Code carga las skills desde ~/.claude/skills (todos los proyectos) o .claude/skills (un proyecto) y usa una skill cuando su descripción coincide con la tarea.
¿Qué clientes pueden usar la skill media-processor?
Cualquier cliente que lea el formato Agent Skills: Claude Code, Codex, Gemini CLI y claude.ai (subir como ZIP). Los scripts de la skill se ejecutan solo donde el cliente permite la ejecución de código.
¿Qué pasa si intento subir un archivo muy grande?
Los archivos de más de 20MB usarán automáticamente la File API, que admite hasta 2GB y conserva los archivos durante 48 horas.
¿Cómo convierto un PDF o DOCX a Markdown?
Usa el script document_converter.py, que puede convertir archivos PDF, DOCX, XLSX y PPTX a Markdown y extraer imágenes o rangos de páginas.