name	hx-look-video
description	从视频、音频链接、本地媒体文件或字幕/transcript 文件中提取可引用 transcript, 并基于 transcript 生成可靠中文结构化总结. Use when the user asks to summarize, inspect, transcribe, or extract key points from video/audio URLs, local mp4/mp3/m4a/wav/mkv/webm files, or .srt/.vtt/.ass/.txt/.md transcript files.

hx-look-video

目标

把用户给出的视频链接、音频链接、本地视频、本地音频或字幕文件, 转换为可引用的 transcript, 再基于 transcript 输出可靠的中文文本总结.

这个 skill 不是笔记沉淀入口. 默认只在对话中输出总结, 并把中间 transcript 放在临时工作目录. 只有用户明确要求保存到 ai-docs、docs 或指定文件时, 才落盘成正式文档.

输入

接受以下输入形态:

视频平台 URL: YouTube、Bilibili、X/Twitter、抖音、快手、Vimeo 等 yt-dlp 支持的平台.
直链媒体 URL: .mp4、.webm、.mkv、.mp3、.m4a、.wav、.flac、.ogg 等.
本地媒体文件: 本地 mp4/mp3/m4a/wav/mkv/webm 等.
字幕或转写文件: .srt、.vtt、.ass、.ssa、.txt、.md.

可理解的附加意图:

--force-asr: 即使平台字幕存在, 也强制走语音识别.
--no-asr: 只尝试字幕/已有 transcript, 不下载或转写音频.
--cookies FILE 或 --cookies-from-browser chromium: 需要登录态或反爬 cookies 时传给 yt-dlp.
--sub-langs "zh-Hans,zh-CN,zh,en.*": 覆盖字幕语言优先级.
--work-dir PATH: 指定中间产物目录.

如果用户没有给输入, 只问一个问题: "给我视频/音频链接或本地文件路径。"

处理原则

严格按证据链总结, 不凭标题、简介、评论或常识补内容.

Transcript 获取优先级:

用户直接给出的字幕/转写文件.
平台已有字幕或自动字幕, 通过 yt-dlp --write-subs --write-auto-subs --skip-download 获取.
URL 或本地媒体抽取音频, 用 FunASR 做本地语音转文本.
如果语言明显不是中文且没有可用平台字幕, 优先使用可用的 Whisper 类转写能力; 若当前环境没有对应能力, 明确说明不能可靠转写, 不要假装 FunASR 适合所有语种.

FunASR 流程: ffmpeg 统一转成 16kHz 单声道 WAV, 再用 AutoModel(model="paraformer-zh", vad_model="fsmn-vad", punc_model="ct-punc") 生成带标点和时间戳的文本.

能拿到发布方或平台 transcript 时优先使用, 只有缺失时才做成本更高、误差更大的 ASR.

执行步骤

0. 解析输入和选项

从用户消息中提取第一个 URL 或本地路径作为 INPUT. 识别附加选项并原样传给准备脚本. 本地路径必须先确认存在; 如果不存在, 直接指出路径不存在并请用户给正确路径.

1. 准备 transcript

在 HXLoLi 仓库根目录运行:

python .agents/skills/hx-look-video/scripts/hx_look_video_prepare.py "<INPUT>"

如果需要 ASR 且当前 Python 环境没有 FunASR, 使用:

uv run --with funasr --with modelscope --with torch --with torchaudio \
  python .agents/skills/hx-look-video/scripts/hx_look_video_prepare.py "<INPUT>"

常用示例:

python .agents/skills/hx-look-video/scripts/hx_look_video_prepare.py \
  "https://www.bilibili.com/video/BV..." \
  --cookies-from-browser chromium

python .agents/skills/hx-look-video/scripts/hx_look_video_prepare.py \
  "/path/to/video.mp4" \
  --force-asr

脚本成功后会打印:

WORK_DIR: 本次中间产物目录.
TRANSCRIPT_PATH: 规范化 transcript.
PROVENANCE_PATH: transcript 来源、工具和错误信息.
METADATA_PATH: URL 元数据, 如果可获取.

2. 读取产物

必须读取 TRANSCRIPT_PATH 和 PROVENANCE_PATH.

如果 METADATA_PATH 存在且非空, 读取标题、作者/频道、发布时间、原始 URL 等元数据. 元数据只用于上下文和引用, 不能替代 transcript 成为总结依据.

如果 transcript 为空、过短或脚本报告失败, 停止总结并把失败原因、建议的下一步告诉用户. 不要从标题或简介编造总结.

3. 长 transcript 分块

当 transcript 超过当前上下文可稳定处理的长度时, 先按时间戳或段落分块:

每块保持 12k 到 20k 字符左右.
每块输出一份局部摘要, 保留关键时间戳和原话.
最后只基于局部摘要和必要原文片段合并总摘要.

不能跨块臆造时间线. 时间点只来自 transcript 中明确存在的时间戳.

4. 输出总结

默认用中文输出, 保留专有名词原文. 结构固定如下:

# <视频/音频标题或文件名>

**来源**: <URL 或本地路径>
**Transcript 来源**: <platform-subtitle | funasr-asr | provided-transcript | direct-subtitle-url>
**可靠性备注**: <字幕/ASR 质量、缺失、语言、时间戳情况>

## 0x00 一句话总结

<2-4 句, 只写视频核心价值和结论>

## 0x01 核心要点

- <具体观点/事实/方法, 5-12 条>

## 0x02 时间线

- `<HH:MM:SS>` <这一段讲了什么>

## 0x03 关键原话

- `<HH:MM:SS>` "<短原话>" - <为什么重要>

## 0x04 可继续追问

- <可以进一步深挖的问题或待验证点>

如果 transcript 没有时间戳, 时间线 改为 内容脉络, 不要虚构时间.

平台处理细节

YouTube

优先抓取人工字幕或自动字幕. 若字幕语言有多种, 优先级为中文简体、中文、英文. 如果用户要求英文总结或保留英文 transcript, 尊重用户要求.

Bilibili

优先尝试公开字幕. 如果 yt-dlp 被反爬或需要登录态, 询问用户是否允许使用本机浏览器 cookies, 或让用户显式传 --cookies / --cookies-from-browser. 不要自动进行登录操作.

其他平台

先走 yt-dlp 通用能力. 如果平台不支持或 DRM/登录限制导致无法下载, 明确报告限制, 并建议用户提供本地文件或字幕文件.

本地媒体

使用 ffmpeg 提取 16kHz 单声道 WAV 后再 ASR. 本地音频也统一转 WAV, 不直接把压缩音频交给 ASR.

反幻觉约束

总结、关键点、时间线、原话必须来自 transcript.
原话必须短引, 不要大段复述 transcript.
无法确认的人名、术语、数字要标注 [不确定].
ASR 结果可能错字, 对专有名词保持谨慎; 不要自行纠正成看似合理但 transcript 不支持的内容.
当用户要求"全文转写"时, 给出 transcript 文件路径和必要片段, 不要把超长全文直接刷到对话里.

依赖

基础依赖:

python
ffmpeg
yt-dlp 或 uvx yt-dlp

ASR 依赖:

funasr
modelscope
torch
torchaudio

如果依赖缺失, 先给出可执行的安装/运行命令, 再停止当前步骤.

name	hx-look-video
description	从视频、音频链接、本地媒体文件或字幕/transcript 文件中提取可引用 transcript, 并基于 transcript 生成可靠中文结构化总结. Use when the user asks to summarize, inspect, transcribe, or extract key points from video/audio URLs, local mp4/mp3/m4a/wav/mkv/webm files, or .srt/.vtt/.ass/.txt/.md transcript files.

hx-look-video

目标

把用户给出的视频链接、音频链接、本地视频、本地音频或字幕文件, 转换为可引用的 transcript, 再基于 transcript 输出可靠的中文文本总结.

输入

接受以下输入形态:

视频平台 URL: YouTube、Bilibili、X/Twitter、抖音、快手、Vimeo 等 yt-dlp 支持的平台.
直链媒体 URL: .mp4、.webm、.mkv、.mp3、.m4a、.wav、.flac、.ogg 等.
本地媒体文件: 本地 mp4/mp3/m4a/wav/mkv/webm 等.
字幕或转写文件: .srt、.vtt、.ass、.ssa、.txt、.md.

可理解的附加意图:

--force-asr: 即使平台字幕存在, 也强制走语音识别.
--no-asr: 只尝试字幕/已有 transcript, 不下载或转写音频.
--cookies FILE 或 --cookies-from-browser chromium: 需要登录态或反爬 cookies 时传给 yt-dlp.
--sub-langs "zh-Hans,zh-CN,zh,en.*": 覆盖字幕语言优先级.
--work-dir PATH: 指定中间产物目录.

如果用户没有给输入, 只问一个问题: "给我视频/音频链接或本地文件路径。"

处理原则

严格按证据链总结, 不凭标题、简介、评论或常识补内容.

Transcript 获取优先级:

用户直接给出的字幕/转写文件.
平台已有字幕或自动字幕, 通过 yt-dlp --write-subs --write-auto-subs --skip-download 获取.
URL 或本地媒体抽取音频, 用 FunASR 做本地语音转文本.
如果语言明显不是中文且没有可用平台字幕, 优先使用可用的 Whisper 类转写能力; 若当前环境没有对应能力, 明确说明不能可靠转写, 不要假装 FunASR 适合所有语种.

FunASR 流程: ffmpeg 统一转成 16kHz 单声道 WAV, 再用 AutoModel(model="paraformer-zh", vad_model="fsmn-vad", punc_model="ct-punc") 生成带标点和时间戳的文本.

能拿到发布方或平台 transcript 时优先使用, 只有缺失时才做成本更高、误差更大的 ASR.

执行步骤

0. 解析输入和选项

1. 准备 transcript

在 HXLoLi 仓库根目录运行:

python .agents/skills/hx-look-video/scripts/hx_look_video_prepare.py "<INPUT>"

如果需要 ASR 且当前 Python 环境没有 FunASR, 使用:

uv run --with funasr --with modelscope --with torch --with torchaudio \
  python .agents/skills/hx-look-video/scripts/hx_look_video_prepare.py "<INPUT>"

常用示例:

python .agents/skills/hx-look-video/scripts/hx_look_video_prepare.py \
  "https://www.bilibili.com/video/BV..." \
  --cookies-from-browser chromium

python .agents/skills/hx-look-video/scripts/hx_look_video_prepare.py \
  "/path/to/video.mp4" \
  --force-asr

脚本成功后会打印:

WORK_DIR: 本次中间产物目录.
TRANSCRIPT_PATH: 规范化 transcript.
PROVENANCE_PATH: transcript 来源、工具和错误信息.
METADATA_PATH: URL 元数据, 如果可获取.

2. 读取产物

必须读取 TRANSCRIPT_PATH 和 PROVENANCE_PATH.

如果 METADATA_PATH 存在且非空, 读取标题、作者/频道、发布时间、原始 URL 等元数据. 元数据只用于上下文和引用, 不能替代 transcript 成为总结依据.

如果 transcript 为空、过短或脚本报告失败, 停止总结并把失败原因、建议的下一步告诉用户. 不要从标题或简介编造总结.

3. 长 transcript 分块

当 transcript 超过当前上下文可稳定处理的长度时, 先按时间戳或段落分块:

每块保持 12k 到 20k 字符左右.
每块输出一份局部摘要, 保留关键时间戳和原话.
最后只基于局部摘要和必要原文片段合并总摘要.

不能跨块臆造时间线. 时间点只来自 transcript 中明确存在的时间戳.

4. 输出总结

默认用中文输出, 保留专有名词原文. 结构固定如下:

# <视频/音频标题或文件名>

**来源**: <URL 或本地路径>
**Transcript 来源**: <platform-subtitle | funasr-asr | provided-transcript | direct-subtitle-url>
**可靠性备注**: <字幕/ASR 质量、缺失、语言、时间戳情况>

## 0x00 一句话总结

<2-4 句, 只写视频核心价值和结论>

## 0x01 核心要点

- <具体观点/事实/方法, 5-12 条>

## 0x02 时间线

- `<HH:MM:SS>` <这一段讲了什么>

## 0x03 关键原话

- `<HH:MM:SS>` "<短原话>" - <为什么重要>

## 0x04 可继续追问

- <可以进一步深挖的问题或待验证点>

如果 transcript 没有时间戳, 时间线 改为 内容脉络, 不要虚构时间.

平台处理细节

YouTube

优先抓取人工字幕或自动字幕. 若字幕语言有多种, 优先级为中文简体、中文、英文. 如果用户要求英文总结或保留英文 transcript, 尊重用户要求.

Bilibili

其他平台

先走 yt-dlp 通用能力. 如果平台不支持或 DRM/登录限制导致无法下载, 明确报告限制, 并建议用户提供本地文件或字幕文件.

本地媒体

使用 ffmpeg 提取 16kHz 单声道 WAV 后再 ASR. 本地音频也统一转 WAV, 不直接把压缩音频交给 ASR.

反幻觉约束

总结、关键点、时间线、原话必须来自 transcript.
原话必须短引, 不要大段复述 transcript.
无法确认的人名、术语、数字要标注 [不确定].
ASR 结果可能错字, 对专有名词保持谨慎; 不要自行纠正成看似合理但 transcript 不支持的内容.
当用户要求"全文转写"时, 给出 transcript 文件路径和必要片段, 不要把超长全文直接刷到对话里.

依赖

基础依赖:

python
ffmpeg
yt-dlp 或 uvx yt-dlp

ASR 依赖:

funasr
modelscope
torch
torchaudio

如果依赖缺失, 先给出可执行的安装/运行命令, 再停止当前步骤.

hx-look-video

hx-look-video

目标

输入

处理原则

执行步骤

0. 解析输入和选项

1. 准备 transcript

2. 读取产物

3. 长 transcript 分块

4. 输出总结

平台处理细节

YouTube

Bilibili

其他平台

本地媒体

反幻觉约束

依赖

More from this repository

More from this repository

hx-look-video

目标

输入

处理原则

执行步骤

0. 解析输入和选项

1. 准备 transcript

2. 读取产物

3. 长 transcript 分块

4. 输出总结

平台处理细节

YouTube

Bilibili

其他平台

本地媒体

反幻觉约束

依赖