video-transcript

name video-transcript description 视频逐字稿提取专家(基于豆包视频理解模型)。支持 B 站 / 抖音 / 小红书 / YouTube / 微信视频号链接或本地视频。全程在用户电脑后台运行(headless),不弹窗、不要求登录视频网站。输出"语义分段 + 段落级时间戳"的严格逐字稿(保留口语词、网络梗、停顿),长视频自动分段处理避免被模型概括。 触发场景: - 用户说"出逐字稿"、"提取逐字稿"、"转文字"、"视频转文字" - 用户说"听写视频"、"提取视频文案"、"视频字幕" - 用户使用 /video-transcript 命令 - 用户贴一个视频链接(B站 / 抖音 / 小红书 / YouTube / 微信视频号),意图是要文字版 - 用户只贴视频链接或说"处理这个视频"但没说清下载还是转录时,先询问意图 allowed-tools Read, Write, Edit, Bash, Glob, Grep user-invocable true 视频逐字稿提取专家 输入视频链接或本地路径 → 自动探测 → 后台下载 → 切片 → 压缩 → 豆包转录 → 严格逐字稿(stdout + 落盘) 阶段 0 · 定位 skill 根目录(第一件事) 被触发时你必须先定位自己,跑这段: VT_HOME= " $( for d in " $HOME /.agents/skills/video-transcript" \ " $HOME /.Codex/skills/video-transcript" \ " $HOME /.codex/skills/video-transcript" \ " $HOME /.claude/skills/video-transcript" \ " $(pwd) /.Codex/skills/video-transcript" \ " $(pwd) /.claude/skills/video-transcript" \ " $(pwd) /skills/video-transcript" \ " $HOME /.Codex/plugins/video-transcript/video-transcript" \ " $HOME /.claude/plugins/video-transcript/video-transcript" ; do [ -f " $d /SKILL.md" ] && echo " $d " && break done ) " export VT_HOME echo "VT_HOME= $VT_HOME " 如果输出为空,说明 skill 安装位置非标准。让用户给出路径,然后手工 export VT_HOME=<路径> 。 之后 所有命令 都通过 "$VT_HOME/scripts/transcript.py" ,不要用相对路径或绝对路径硬编码。 阶段 1 · 意图确认与分流(必须先做) 在跑任何下载/转录命令前,先判断用户要的是哪一种: 用户意图 处理 明确说"提取逐字稿"、"转文字"、"视频文案"、"字幕" 继续本 skill 的转录流程 明确说"只下载"、"下载视频"、"保存 MP4"、"不用转录" 不跑 transcript.py ;改调用 video-download 只贴链接、说"处理这个视频"、或没有说清结果形态 先问:"你是只要下载视频,还是要提取逐字稿?" 等用户确认后再执行 仅下载时,定位并调用 video-download : VD_HOME= " $( for d in " $HOME /.agents/skills/video-download" \ " $HOME /.Codex/skills/video-download" \ " $HOME /.codex/skills/video-download" \ " $HOME /.claude/skills/video-download" \ " $(pwd) /skills/video-download" ; do [ -f " $d /SKILL.md" ] && echo " $d " && break done ) " export VD_HOME echo "VD_HOME= $VD_HOME " python3 " $VD_HOME /scripts/download_video.py" "<URL或本地路径>" --json 仅下载完成后,按 video-download 的验收标准返回 durable MP4 路径、metadata 路径、时长、分辨率、视频/音频编码和文件大小;不要再进入压缩或豆包转录。 阶段 2 · 依赖体检(首次/可疑时) 第一次跑或者遇到报错时,先做体检: python3 " $VT_HOME /scripts/transcript.py" --doctor 如果有 ✗ 项,告诉用户: 缺 ffmpeg / playwright / chromium / API Key 等 → 跑一键安装向导: bash " $VT_HOME /install.sh" 体检全 ✓ 才进入阶段 3。 阶段 3 · 触发方式与执行 用户确认要逐字稿后,给视频链接(URL 或本地路径)就直接跑: python3 " $VT_HOME /scripts/transcript.py" "<URL或本地路径>" 支持的输入: B 站: https://www.bilibili.com/video/BVxxx 或 b23.tv/xxx 短链 抖音: https://www.douyin.com/video/xxx 、 v.douyin.com/xxx 、 douyin.com/jingxuan?modal_id=xxx 小红书: xiaohongshu.com/discovery/item/xxx 、 xiaohongshu.com/explore/xxx 、 xhslink.com/xxx YouTube: youtube.com/watch?v=xxx 、 youtu.be/xxx 微信视频号: https://weixin.qq.com/sph/xxx 、 channels.weixin.qq.com/finder-preview/pages/sph?id=xxx 本地视频文件路径 脚本自动: 0. 探测 — 启动 headless 浏览器,拿标题、时长、视频/音频直链;打印 📊 评估表 + 预估耗时 下载 — 复用探测拿到的直链(不重启浏览器);B 站走 dash 流(分别下载 video/audio + ffmpeg 合并);其他平台直接 mp4 微信视频号会先调用 video-download 下载为本地 MP4,再进入压缩和转录流程;解析方式由 video-download/.env 的 WECHAT_RESOLVER 决定 长视频切片 — 总时长 > 8min 自动切成 6min/段,避免被模型概括成摘要 压缩 — ffmpeg,目标 30MB;按时长自动选分辨率,一次到位 转录 — 豆包视频理解 API,严格逐字 prompt(保留口语词、网络梗、停顿) 合并 — 长视频合并各段输出 + 自动调整段头时间戳偏移 ⚠️ 你(agent)必须做的两件事 (1) 评估表复述 — 给用户等待预期 脚本启动后,stderr 第一段就会打印 📊 视频探测评估表。 你必须立刻把它复述给用户 ,告诉他: 视频标题、时长、分段数 预估耗时 (给用户一个等待预期,这点最重要) 不要等转录跑完才说, 先复述评估表 → 再继续等待转录 。如果用户看不到时长和耗时预估,会以为程序卡死。 例: 视频探测完成: 平台:B 站 / 标题:《xxx》 时长 17 分 12 秒,会切成 3 段独立转录 预估耗时 3 分 20 秒 ~ 5 分 25 秒 ,正在跑,稍等... (2) 转录完成后必须输出完整逐字稿全文 脚本最后会把完整 Markdown 逐字稿打印到 stdout。 你必须把整篇逐字稿原样展示在对话里 ,不要只说"已保存到 xxx.md"——那等于用户什么都没看到。 正确做法: 抓 stdout 里 # <标题> 之后的全部 Markdown 完整复述给用户(标题、时长、所有段落) 末尾附一行说明落盘路径,方便用户后续打开 .md 文件 错误做法: ❌ "逐字稿已保存到 outputs/xxx.md,请查看文件" ❌ 只展示前几段就省略 ❌ 总结/精简内容(逐字稿要逐字展示) 阶段 4 · 输出去处 脚本会 两个去处同时输出 : stdout 直出 完整 Markdown 全文 — 供 agent 复述给用户(见阶段 3 第 2 条强制要求) 落盘 到 $VT_HOME/outputs/<标题>_transcript.md — skill 自管,所有产出归一处 取消落盘 : --no-save 改保存路径 : --output-dir <path> 评估表样例 ═══════════════════════════════════════════════════════ 📊 视频探测 ─────────────────────────────────────────────────────── 平台: B 站 标题: 在浙江和安徽之间，一座10万人的城市消失了 时长: 17分12秒 分段: 3 段(每段 ≤ 6 分钟) 预估耗时: 3分20秒 ~ 5分25秒 ═══════════════════════════════════════════════════════ 输出格式样例 # 视频标题 > 时长 5:32 | 来源: < URL或文件名 > ## 1. 引入话题 [00:00 - 00:42] 大家好,今天我们要聊的是... ## 2. 核心观点 [00:42 - 02:15] 那么我的看法是这样的,首先... 特性: 语义分段 :按主题自动分 3-8 段,每段一个简短小标题 段落级时间戳 :每段开头标 [MM:SS - MM:SS] ,定位方便 逐字转录 :保留口语词("呃""那""啊""就是")、网络梗、停顿,不总结、不改写 无人声段落 :用 _(此处无人声,XX秒)_ 标注 阶段 5 · 异常处理 场景 处理 --doctor 报缺依赖 跑 bash "$VT_HOME/install.sh" 没找到豆包 API Key 检查 $VT_HOME/.env ;没配过让用户跑 install.sh 引导填 Key API 401 / "模型未授权" 火山方舟控制台 → 模型广场 → 给 Doubao-Seed-2.0-pro 点"开通" 抖音图文笔记(note 链接) 提示用户不支持图文,仅支持视频 平台前端改版导致抓取失败 看 $VT_HOME/FALLBACK.md 走人工兜底 微信视频号提示缺少 video-download 先安装 video-download skill,或把它放在与 video-transcript 同级的 skill 目录 微信视频号提示缺少 SPH_COOKIE/YUANBAO_COOKIE 当前使用的是 WECHAT_RESOLVER=cookie ;可在 video-download/.env 配置 Cookie,或明确改为 WECHAT_RESOLVER=public-worker 长视频被模型概括而非逐字 已自动处理(>8min 切片);仍出现请反馈 压缩后视频仍 > 50MB 脚本自动迭代降码率/分辨率(最多 4 轮) 视频号解析方式由 video-download/.env 决定。当前如果选择公共 Worker,写入: WECHAT_RESOLVER=public-worker 也可临时显式覆盖: VIDEO_DOWNLOAD_WECHAT_RESOLVER=public-worker python3 " $VT_HOME /scripts/transcript.py" "https://weixin.qq.com/sph/xxx" 命令行选项 参数 说明 input 视频 URL 或本地文件路径(必需, --doctor 时可省) --title 视频标题(默认用探测到的) --target-size 压缩目标大小 MB,默认 30 --no-save 不落盘 .md(默认会保存到 $VT_HOME/outputs/ ) --output-dir 改保存路径 --doctor 体检模式:检查依赖+配置 Notes 豆包原生视频理解,模型直接听视频音频,无需独立 ASR 时间戳精度为段落级(不是词级/句级),用于章节定位 默认 stdout 直接输出 Markdown 全文(供上层 agent 展示); 同时 落盘 预估耗时模型(基于实测):headless 启动 10s + 下载(0.4s/视频秒) + 每段压缩 12s + 每段 API 30s,给 ±20% 范围 API Key 配置存在 $VT_HOME/.env (权限 600,gitignore),不会随仓库分发