version: "1.0.1" 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:

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 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:

1. 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
2. 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

1. 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
2. 压缩 — ffmpeg,目标 30MB;按时长自动选分辨率,一次到位
3. 转录 — 豆包视频理解 API,严格逐字 prompt(保留口语词、网络梗、停顿)
4. 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:

1. 抓 stdout 里 # <标题> 之后的全部 Markdown
2. 完整复述给用户(标题、时长、所有段落)
3. 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:

1. 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)
2. 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

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

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