VT_HOME="$(
  for d in "$HOME/.claude/skills/video-transcript" \
           "$(pwd)/.claude/skills/video-transcript" \
           "$(pwd)/skills/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 · 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 2。

阶段 2 · 触发方式与执行

用户给视频链接(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
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
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 3 · 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 2 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 4 · 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
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)

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

video-transcript

视频逐字稿提取专家

阶段 0 · 定位 skill 根目录(第一件事)

More from backtthefuture/huangshu

advisory-board

social-sbti