douyin-extract-text

name	douyin-extract-text
description	从抖音视频中提取文案。支持 OCR（硬字幕识别）和 ASR（语音识别）两种模式，并自动进行专业术语订正。当用户需要提取抖音视频文案、字幕、或处理抖音链接时使用。
allowed-tools	Read, Bash, Grep, Glob, Write

抖音视频文案提取

从抖音视频中提取文案，通过 ASR + OCR 双模式结合，实现高质量文案输出。

Bootstrap 检测（先于工作流执行）

在执行任何工作流步骤前，必须先运行以下检测，并将 skill 目录路径存入变量：

# 设置 SKILL_DIR（根据实际路径调整）
SKILL_DIR="$HOME/.openclaw/workspace/github-repos/kaiye/skills/douyin-extract-text"

# 检测 uv
which uv > /dev/null 2>&1 || { echo "❌ 需先安装 uv: curl -LsSf https://astral.sh/uv/install.sh | sh"; exit 1; }

# 检测 ffmpeg
which ffmpeg > /dev/null 2>&1 || { echo "❌ 需先安装 ffmpeg"; exit 1; }

ffmpeg 安装方式（按平台）：

• macOS: brew install ffmpeg
• Ubuntu/Debian: sudo apt install ffmpeg
• CentOS/RHEL: sudo yum install ffmpeg

Python 依赖由 uv run 自动管理，无需手动 pip install。

环境配置

无需配置！ ASR 使用本地 Faster-Whisper 模型，完全离线工作。

首次运行时会自动下载（约 250MB）：

• Faster-Whisper small 模型
• 相关依赖库

工作流程（必须按顺序执行）

第一步：ASR 语音识别（主体）

必须首先执行，ASR 结果作为最终文案的主体（句子连贯）。

uv run $SKILL_DIR/scripts/video_asr.py "抖音分享链接" -o ./output

输出文件（均在 -o 指定的目录下）：

• {video_id}.mp4 — 下载的视频
• {video_id}.mp3 — 提取的音频（ASR 识别用）
• {video_id}_asr.txt — 语音识别结果

第二步：OCR 硬字幕识别（辅助）

必须执行，OCR 结果用于订正 ASR 中的专业术语错误。

使用 --local 复用第一步已下载的视频，避免重复下载：

# 将 {video_id} 替换为实际的视频 ID
uv run $SKILL_DIR/scripts/video_ocr.py --local ./output/{video_id}.mp4 -o ./output

输出：{video_id}_ocr.txt

ASR 和 OCR 的输出文件名已区分（_asr.txt / _ocr.txt），不会互相覆盖。

第三步：综合文案整理

在执行整理前，先读取 $SKILL_DIR/CORRECTION.md 中的已知订正词表作为参考。

综合 ASR 和 OCR 结果，生成完整文案：

请综合语音识别（ASR）和 OCR 识别结果，生成完整的视频文案。

整理规则：
1. OCR 结果是硬字幕（视频文案主体），优先使用
2. ASR 结果可能包含 BGM 歌词、画外音等额外信息，酌情补充
3. 如果 OCR 为空或内容很少，以 ASR 为主
4. 使用订正词表修正专业术语错误

OCR 识别结果（硬字幕）：
[读取 ./output/*_ocr.txt 内容]

语音识别结果（ASR，含 BGM/画外音）：
[读取 ./output/*_asr.txt 内容]

订正词表：
[读取 $SKILL_DIR/CORRECTION.md 内容]

常见订正词表见 CORRECTION.md。

第四步：输出最终文案

将订正后的文案保存为 Markdown 文件，输出到用户当前工作目录：

文件命名规则：

• 使用视频标题作为文件名
• 格式：{视频标题}.md
• 去除标题中的特殊字符（/\:*?"<>|）

Markdown 格式要求：

# {视频标题}

{订正后的完整文案，按内容分段}

---
来源：抖音视频
视频ID：{video_id}
原始链接：{抖音分享链接中的 URL}

第五步：更新订正词表（可选）

在输出最终文案后，列出本次订正的所有词汇：

本次订正列表：
| 原文（ASR） | 订正后 |
|-------------|--------|
| cloud code  | Claude Code |
| 麦塔        | Meta |
| ...         | ... |

是否将这些订正词更新到 CORRECTION.md？(y/n)

如果用户确认，将新的订正词追加到 CORRECTION.md 对应的分类中。

注意：

• 只添加新的订正词，避免重复
• 按类别归类（AI产品、技术术语、项目名称等）
• 这样 skill 可以不断积累学习，提高后续订正的准确性

为什么需要双模式？

模式	优点	缺点
ASR	句子连贯完整	专业术语易错（cloud → Claude）
OCR	专业术语准确	可能包含无关文字，句子不连贯

结合使用：ASR 提供连贯的句子结构，OCR 提供准确的术语拼写。

常用参数

ASR 模式（video_asr.py）

参数	说明
--local	处理本地视频文件
-o, --output	指定输出目录（默认 ./output）
--force-local	强制本地下载处理
--info-only	仅获取视频信息
-s, --segment-duration	视频切分时长（秒），默认 300

OCR 模式（video_ocr.py）

参数	说明
--local	处理本地视频文件
-o, --output	指定输出目录（默认 ./output）
--info-only	仅获取视频信息
--subtitle-area	自定义字幕区域（默认 0.7,0.95,0.05,0.95）

系统依赖

# 必须安装 ffmpeg
# macOS:
brew install ffmpeg
# Ubuntu/Debian:
sudo apt install ffmpeg

# uv — Python 依赖由 uv 自动管理，无需手动 pip install
# 安装 uv: curl -LsSf https://astral.sh/uv/install.sh | sh