srt-to-markdown

name	srt-to-markdown
description	将 SRT 字幕文件整理为结构完整、行文通顺的 Markdown 文档。适用于讲座、直播、访谈等口语转录的结构化整理。

SRT 字幕 → 结构化 Markdown

将一个或多个 SRT（SubRip）字幕文件转化为结构完整、逻辑通顺、适合阅读或出版的 Markdown 文档。

适用场景

• 讲座/课程录屏的字幕整理
• 直播回放的精华提取
• 访谈/对话节目的文字稿整理
• 会议记录的结构化

输入

用户提供：

1. 一个或多个 .srt 文件的路径
2. （可选）主题分类或章节提示
3. （可选）输出格式偏好（单篇 / 分章节 / LaTeX）

工作流程

第一步：读取与清洗

1. 读取 SRT 文件，跳过：

   • 序号行（纯数字行）
   • 时间戳行（HH:MM:SS,mmm --> HH:MM:SS,mmm）
   • 空行
   • 只保留文本行

2. 清洗零宽字符：移除 ASR 平台嵌入的隐形水印

   • U+200B（零宽空格）
   • U+200C（零宽非连接符）
   • U+200D（零宽连接符）
   • U+FEFF（BOM / 零宽不换行空格）
   • U+2060（词连接符）
   • 正则：[\u200b\u200c\u200d\ufeff\u2060]

3. 合并连续文本行为段落：

   • 同一句话可能被拆成多行（SRT 每行约 30-40 字）
   • 以句号、问号、感叹号为断句依据合并为完整段落
   • 去除重复行（ASR 偶尔重复输出）

第二步：口语转书面语

这是最关键的一步。ASR 转录的原始文本通常：

• 完全没有标点符号（最常见）
• 口语化严重（"然后"、"就是说"、"对吧"、"嗯"）
• 存在大量 ASR 识别错误

2.1 补充标点

逐段阅读，根据语义和语气补充完整标点：

• 陈述句加句号
• 疑问句加问号
• 列举用顿号或逗号
• 引用加引号
• 注意书名号（中文特有）

2.2 修正 ASR 错误

ASR 对专业术语的识别错误率极高。常见模式：

错误类型	示例
同音替换	"康复周期" → "康波周期"、"美丽时钟" → "美林时钟"
人名误识	"包贝尔" → "鲍威尔"、"吴京" → "吴清"
机构名	"道具部门" → "政府效率部(DOGE)"
术语误读	"心智生产力" → "新质生产力"
音译名	"布伦森森林" → "布雷顿森林"

修正策略：

• 根据上下文语境判断正确术语
• 同一术语在全文中统一修正
• 不确定的标注 [?] 供人工复查
• 外国人名首次出现时附注原文：如"鲍威尔（Jerome Powell）"

2.3 口语→书面语转换

口语特征	处理方式
语气词（"嗯"、"啊"、"对吧"）	删除
重复表述	保留表意最清晰的一次
口头禅（"就是说"、"然后呢"）	删除或替换为书面连接词
散乱长句	拆分为短句，调整语序
口语化词汇	替换（"搞" → "推行"、"弄" → "实施"）

注意：保留讲者的分析风格和个人特色，不要过度书面化。比喻、类比、生动表达应当保留。

第三步：结构化组织

3.1 识别主题段落

阅读清洗后的全文，识别：

• 话题转换点（讲者说"接下来我们聊..."、"第二个问题是..."）
• 自然的逻辑分界
• 独立完整的论述单元

3.2 构建层级结构

# 章标题（对应整个视频/讲座的主题）

> 章首引言（提炼全章最核心的一句话）

## 节标题（对应一个完整话题）

### 小节标题（对应话题下的子论点）

正文段落...

---
*来源：视频标题或原始文件名*

命名规范：

• 章标题：概括性强，如"多重周期叠加：为什么经济比较困难"
• 节标题：对应一个完整话题，如"朱格拉周期：投资驱动的 9-10 年波动"
• 小节标题：对应具体论点，如"资本边际效率递减的直觉"

3.3 添加章首引言

每章开头添加一段 blockquote 引言：

• 从正文中提炼最精彩、最有概括力的一句话
• 或由讲者的核心观点凝练而成
• 控制在 1-2 句话

第四步：质量检查

• 所有段落有完整标点
• 专业术语前后一致（全文统一）
• 人名、机构名首次出现附原文
• 无遗留的 ASR 明显错误
• 章节层级清晰、标题概括准确
• 保留了讲者的分析风格
• 来源标注完整

第五步：输出

根据用户需求选择输出格式：

Markdown（默认）：直接输出结构化 .md 文件

LaTeX：转换为 LaTeX 格式

• # → \chapter{}
• ## → \section{}
• ### → \subsection{}
• blockquote → \begin{quote}...\end{quote}
• 来源 → \source{}（自定义命令）
• 百分号等特殊字符需转义

多文件合并：当多个 SRT 文件属于同一主题时

• 按逻辑顺序排列
• 合并为统一章节结构
• 去除重复内容（同一讲者在不同场次可能重复相同论点）

处理特殊内容类型

对话/访谈节目

• 保留说话人标识：**主持人**：、**嘉宾A**：
• 对话格式不拆分为段落，保留问答节奏

直播问答

• 问题用粗体或引用格式标出
• 回答按主题归类，而非按时间顺序

系列讲座

• 多期内容按主题而非时间线组织
• 交叉引用相关章节

性能建议

• 单个 SRT 文件通常 2000-5000 行，可直接读取处理
• 超过 10 个文件时，使用 Agent 工具并行处理
• 大型项目（50+ 文件）建议先用脚本批量清洗，再逐章精修

示例

输入（SRT 原文，无标点）：

1
00:00:01,000 --> 00:00:03,500
今天我们来聊一聊经济周期

2
00:00:03,500 --> 00:00:07,000
很多朋友问经济到底什么时候能变好

3
00:00:07,000 --> 00:00:11,500
要回答这个问题绕不开经济周期理论

输出（结构化 Markdown）：

## 经济周期理论：分析的钥匙

很多朋友问：经济到底什么时候能变好？要回答这个问题，绕不开经济周期理论。