Un ensemble d'outils Go qui écoutent des chaînes Twitch en continu, mesurent l'excitation du chat et déclenchent des clips au bon moment, puis les transcrivent avec Whisper sans coût d'API. L'objectif final : constituer un dataset « contexte → clip » pour entraîner un modèle de détection.
Contexte
Analyser la vidéo en temps réel coûte cher. Le chat, lui, est gratuit et réagit instantanément : la vélocité des messages, la densité d'emotes et certains mots-clés sont d'excellents signaux d'un moment à clipper.
Ce que j'ai construit
- twitch-auto-clipper : lecture anonyme du chat IRC, « hype score » sur fenêtre glissante, création de clip via Helix avec cooldown, statistiques minute par minute en SQLite.
- twitch-clip-scraper : collecte des top clips, enrichissement (jeu, titre de VOD), transcription Whisper locale ou OpenAI, déduplication BoltDB, export CSV.
- twitch-realtime-scraper : suivi live (viewers, titre, catégorie), tracking des segments HLS, transcription au fil de l'eau.
- Monitor multi-streams EventSub + IRC avec processeurs d'événements (chat, follows, subs, engagement) et arrêt gracieux.
Résultat
Prototypes fonctionnels utilisés pour collecter des données ; projet de recherche personnelle qui a structuré ma façon d'écrire du Go concurrent et propre.