| 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 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),意图是要文字版
|
| 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/.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:
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
