원클릭으로 Manus에서 모든 스킬 실행

video-craw

스타3

포크0

업데이트2026년 4월 18일 09:30

按关键词从 YouTube / Bilibili 自动抓取视频并提取统一格式的音频（默认 WAV 16kHz 单声道，适合 TTS / ASR / 声音克隆 / Demucs 去伴奏）。支持单个/多个人名快速调用、完整 YAML 配置、以及读取 .txt 关键词列表文件批量处理（每个关键词产出 1 条音频）。当用户说"帮我爬一下 xxx 的声音/视频/音频"、"采集 xxx 的语料"、"给我下 xxx 在 B站/YouTube 的音频"、"做个声音克隆数据集"、"按关键词批量下载并转 wav"、"给你一个关键词列表文件批量抓"、"按这份 txt 名单每人来一段"、或提到 yt-dlp / bilisearch / demucs / 声纹数据 / 语料采集时使用。

설치

Codex 또는 Claude로 설치 이 Prompt를 복사해 Codex, Claude 또는 다른 어시스턴트에 붙여 넣으면 Skill 페이지를 검토하고 설치를 진행할 수 있습니다.

Manus에서 실행

출처

lintsinghua

lintsinghua/video-craw

GitHub 저장소 열기 Creator 저장소 보기

다운로드

Manus에서 실행

video-craw

按关键词，自动从 YouTube / Bilibili 搜索 → 下载 → 提取并统一转码为音频文件。可选 Demucs v4 人声分离。

支持三种调用方式：

方式	适用场景	入口
快速模式	用户只给了少量人物名 + 简单偏好	`scripts/run_quick.sh`
关键词文件模式	用户给了一份 .txt 名单（每行 1 个关键词），要求每个关键词来 1 条音频	`scripts/run_keywords.sh`
完整配置模式	用户给了详细 yaml 或要精细控制（每人不同抓取数等）	`scripts/run.sh -c <config.yaml>`

所有路径均相对本 skill 目录解析，可整目录迁移。

第一次使用前

skill 自带 scripts/setup.sh，会在 skill 目录下创建 .venv 并安装 requirements.txt。两个 run*.sh 入口都会在首次运行时自动调用它，无需手动 setup。

系统依赖：必须有 ffmpeg。如果 setup 报警 "未检测到 ffmpeg"，提示用户安装：

brew install ffmpeg          # macOS
sudo apt install ffmpeg      # Ubuntu/Debian

决策流程

用户请求
  │
  ├─ 给了 .txt 关键词列表文件（"按这份名单"/"读这个 txt"）？
  │     → 走【关键词文件模式】，scripts/run_keywords.sh -f <txt 路径>
  │       （每行 1 个关键词；每关键词严格产出 1 条音频）
  │
  ├─ 只给人物名 / 平台 / 数量 等简单参数？
  │     → 走【快速模式】，scripts/run_quick.sh
  │
  ├─ 已经有 config.yaml？
  │     → 走【完整配置模式】，scripts/run.sh -c <路径>
  │
  └─ 需要精细控制（每人不同抓取数 / cookies / 自定义 demucs 模型）？
        → 复制 config.example.yaml 改完，再走完整配置模式

不确定先用 --dry-run 让用户确认搜索命中，再正式跑（仅快速模式 / 完整配置模式支持 --dry-run；关键词文件模式直接执行）。

快速模式（推荐起手）

bash scripts/run_quick.sh \
  --person "周杰伦" \
  --person "罗永浩" \
  --per-platform 5
# 默认输出: <skill_dir>/downloads/
# 想换地方: 加 --output /abs/path/to/dir

常用参数（全部可选，缺省即默认 wav/16kHz/mono/中间10秒）：

参数	说明
`--person <name>`	必填，可重复
`--output <dir>`	输出根目录，默认 `<skill_dir>/downloads/`；传相对路径会相对用户当前 cwd解析；传绝对路径直接用
`--per-platform N`	每平台抓取条数，默认 5
`--youtube N` / `--bilibili N`	单独覆盖某平台数量，`0` = 关闭该平台
`--format wav\|mp3\|m4a`	默认 `wav`
`--sample-rate` / `--channels`	默认 `16000` / `1`
`--clip-seconds N`	截取中间多少秒，`0` = 保留全长，默认 10（声音克隆友好规格，无特殊需求别改）
`--min-duration N`	短于此秒的源直接跳过，默认 10（必须 ≥ `--clip-seconds`，否则源不够长无法截取）
`--max-duration N`	单条最长秒数，`0` = 不限，默认 1800
`--vocal`	启用 Demucs 人声分离（去伴奏）
`--diarize`	启用 pyannote 说话人分离，只保留视频里说话最多的那个人；首次需要 HF token
`--hf-token <token>`	HuggingFace token；留空读环境变量 `HF_TOKEN`
`--min-target-total-sec N`	目标人总时长不足时跳过该条；默认 5.0
`--proxy`	例：`http://127.0.0.1:7890`，YouTube 在国内通常需要
`--cookies-youtube` / `--cookies-bilibili`	Netscape 格式 cookies 文件路径
`--dry-run`	只搜索打印，不下载
`-v`	调试日志

run_quick.sh 内部会在 --output 目录下生成一份 _generated_config.yaml 再调用主程序，便于复盘。

关键词文件模式（推荐用于批量名单）

用户给一份 .txt，每行一个关键词（空行 / # 注释自动忽略）。每个关键词严格产出 1 条音频；某关键词在所有平台、所有候选都拿不到才记为 fail。

bash scripts/run_keywords.sh -f /path/to/keywords.txt
# 默认：输出 <skill_dir>/downloads/、bilibili 优先 → 失败再 youtube、每平台最多 3 个候选轮流尝试
# 默认产物：每条 = wav / 16kHz / 单声道 / 中间 10 秒（原视频 < 10s 会被过滤跳过）

默认输出 = 10 秒 wav，已经是声音克隆 / TTS 参考音的常用规格。不要在没有明确需求时改 --clip-seconds。用户若说"我要 5 秒"/"全长保留"/"30 秒片段"再相应传 --clip-seconds 5 / --clip-seconds 0 / --clip-seconds 30，并把 --min-duration 提到 ≥ --clip-seconds（否则源不够长截不出来）。

参数：

参数	说明
`-f` / `--file <path>`	必填，关键词 txt 文件
`-o` / `--output <dir>`	输出根目录，默认 `<skill_dir>/downloads/`
`--platforms bilibili youtube`	平台尝试顺序；第一个成功就停。默认 `bilibili youtube`
`--candidates-per-platform N`	每平台拉多少候选轮流尝试（容错失败/过滤）；默认 3
`--format` / `--sample-rate` / `--channels`	同快速模式
`--clip-seconds N`	默认 10；`0` 保留全长
`--min-duration` / `--max-duration`	同快速模式
`--vocal`	启用 Demucs 人声分离
`--diarize`	启用 pyannote 说话人分离，只保留说话最多的人
`--hf-token <token>`	HuggingFace token；留空读环境变量 `HF_TOKEN`
`--min-target-total-sec N`	目标人总时长不足时跳过该条；默认 5.0
`--proxy`	例 `http://127.0.0.1:7890`；用 youtube 时几乎必填
`--cookies-youtube` / `--cookies-bilibili`	cookies 文件路径
`-v`	调试日志

样例 keywords.txt 见 keywords.example.txt。

关键差异 vs 快速模式：

快速模式："1 个人 × 每平台 N 条"——产出可能很多
关键词文件模式："N 个关键词 × 每个仅 1 条"——产出条数 = 关键词条数

如果某关键词全军覆没（比如时长全被过滤），日志会打 [fail] '<keyword>' 所有平台/候选都未拿到可用音频，进程退出码 2。

完整配置模式

# 1) 复制示例配置（仅首次）。可以放在用户工作目录里
cp <skill_dir>/config.example.yaml ./my_config.yaml

# 2) 编辑后运行（-c 支持相对路径，会基于当前 cwd 解析）
bash <skill_dir>/scripts/run.sh -c ./my_config.yaml

# 仅看搜索命中
bash <skill_dir>/scripts/run.sh -c ./my_config.yaml --dry-run

# 只跑指定人物
bash <skill_dir>/scripts/run.sh -c ./my_config.yaml --person "周杰伦"

配置里 output_dir 写相对路径（如默认的 ./downloads）会落到 skill 目录下；想自定义到别处，写绝对路径。

完整字段说明见 config.example.yaml，要点：

audio.format / sample_rate / channels — TTS/ASR 友好默认 wav 16000 1；声音克隆若需 24kHz 改 sample_rate: 24000
audio.clip_seconds — 默认截取中间 10 秒；想保留全长设 0
vocal_extract.enabled: true — 开启 Demucs 去伴奏；首次会下载模型权重 (~80MB)，Mac 上推荐 device: mps
diarize.enabled: true — 开启说话人分离；多人视频做克隆素材必开。会自动取视频里说话最多的那位作为目标人
defaults.youtube / defaults.bilibili — 每平台默认 top N，0 关闭
persons[].platforms — 可逐人覆盖每平台数量

默认音频规格（不要随意改）

项	默认	含义
`--format`	`wav`	TTS / ASR / Demucs 都吃 wav
`--sample-rate`	`16000`	16kHz 是声音克隆 / VALL-E / GPT-SoVITS 等常用输入；24kHz 模型才需要改 24000
`--channels`	`1`	单声道，下游模型基本都要单声道
`--clip-seconds`	`10`	从音频中间截取 10 秒作为最终产物；声音克隆经验值
`--min-duration`	`10`	原视频 < 10s 直接跳过（保证够截 10s）

⚠️ 协同约束：min_duration ≥ clip_seconds。否则源音不够长，截不出目标长度。

用户没明确说要别的规格时，保持默认即可；他要"5 秒短片段"/"完整音频"/"24kHz"再相应改对应参数。

输出结构

默认所有产物落在 <skill_dir>/downloads/ 下（包括快速模式默认输出和示例配置），即此 skill 自带的 downloads/ 子目录。如需放别处，给 --output 传绝对路径，或修改 yaml 里的 output_dir 为绝对路径。

<skill_dir>/downloads/
├── .manifest.json                 # 去重 / 续传清单
├── 周杰伦/
│   ├── youtube/<video_id>__<title>.wav
│   └── bilibili/<video_id>__<title>.wav
└── Taylor Swift/
    └── youtube/...

文件名 {video_id}__{安全标题}.{ext}，便于回溯
.manifest.json 让重跑天然去重；删条目即可强制重下

常见坑（提前规避）

现象	处理
`Sign in to confirm you're not a bot` (YouTube)	让用户配置 `--cookies-youtube` 或换出口/代理
国内连不上 YouTube	几乎一定要 `--proxy`
启用 `--vocal` 第一次很慢	Demucs 在下载 ~80MB 模型权重，之后会缓存复用
想做声音克隆但歌曲带 BGM	必须加 `--vocal`，否则会污染训练
B站合集多 P 只下了第一个	默认行为；要全 P 需逐 URL 处理
`torchcodec` / `torch` 安装大	用户不需要 demucs 时，可在 `requirements.txt` 注释掉最后两行后再 setup
启用 `--diarize` 报 `pyannote 需要 HuggingFace token`	在 HF settings 拿 token，并在浏览器同意 `pyannote/speaker-diarization-3.1` 的模型协议；然后 `export HF_TOKEN=hf_xxx` 或传 `--hf-token`
`--diarize` 后某条音频被记 `[skip 已过滤] diarize: 目标说话人 ... 总时长 X.Xs`	这条视频里"说话最多的那个人"也讲得太少。要么调低 `--min-target-total-sec`，要么换源
多人对谈/采访视频做声音克隆，发现混入了别人	必须加 `--diarize`（最好同时 `--vocal`）。前提是目标人在该视频里说得最多——否则换一条目标人占主导的源视频

多说话人场景（采访 / 对谈 / 圆桌）

只开 --vocal 只能去 BGM、不分人。多人视频做声音克隆数据时，必须再加 --diarize，否则克隆出的音色会被记者/嘉宾污染。

--diarize 的策略很简单：跑 pyannote diarization → 取这条视频里说话总时长最长的那个 speaker → 把他的所有片段拼成一条单说话人 wav。前提是目标人在该视频里是主角（演讲者、采访被采访者、答记者问的主角等）。如果目标人在视频里只是配角，就换一条他主导的源视频。

何时开

场景	推荐组合
单人演讲 / 单人 vlog	不开 diarize（音轨只有一人，开了浪费时间）
单人 MV / 翻唱	`--vocal`，不开 diarize
多人采访 / 答记者问 / 播客主咖	`--vocal --diarize`
多人圆桌且目标人不是主角	不要用此 skill，换一条目标人主导的源视频

一次性准备

在 https://huggingface.co/settings/tokens 拿 token（read 权限即可）。
浏览器登录后访问 pyannote/speaker-diarization-3.1，点同意协议。
export HF_TOKEN=hf_xxx 写进 shell rc，或每次传 --hf-token。

同意协议是一次性动作；token 也只设一次。之后所有 diarize 调用都走缓存。

用法示例

# 快速模式：抓 Trump 答记者问，自动只保留说话最多的人（即 Trump 本人）
bash scripts/run_quick.sh \
  --person "Trump press conference" \
  --per-platform 5 \
  --vocal --diarize \
  --proxy http://127.0.0.1:7890

# 关键词文件模式：每条候选视频都跑一遍 diarize，主角不达标就跳下一条
bash scripts/run_keywords.sh \
  -f keywords.txt \
  --vocal --diarize

默认行为细节

开 --diarize 后，clip_seconds 的"截中间 N 秒"会自动延后到说话人分离之后执行——否则前 10s 里可能根本没目标人说话。
拼接结果统一为 wav；非 wav 输入会被替换扩展名。
目标人总说话时长 < min_target_total_sec（默认 5s）的视频会被记为 [skip 已过滤]，进 manifest 失败计数 → 关键词文件模式会自动尝试下一个候选。
min_target_total_sec 必须 ≥ clip_seconds，否则截不出目标长度——脚本不会强校验，由用户保证。

性能预期（M2 Mac，CPU 后端）

输入时长	demucs(htdemucs)	pyannote diarization
1 分钟	~10s	~15s
10 分钟	~90s	~120s
30 分钟	~5min	~6min

GPU/MPS 下能再快 3-5 倍。pyannote 在 MPS 上偶有 op 不支持，代码里已自动回退 CPU。

与其他 skill 的衔接

抓回来的 wav 通常是下游素材：

声音克隆 / 角色扮演聊天 → 配合 chat-with-anyone skill 使用
TTS 训练 / 推理参考音 → 配合 tts skill 使用
表达性语音 → 配合 characteristic-voice skill 使用

这种场景下 agent 应在拿到 wav 路径后，主动建议用户进入下一个 skill。

文件结构

video-craw/
├── SKILL.md
├── fetch_audio.py            # 主入口（被脚本调用）
├── requirements.txt
├── config.example.yaml       # 完整配置模板
├── src/
│   ├── config.py
│   ├── searchers.py          # YouTube + Bilibili 关键词搜索
│   ├── downloader.py         # yt-dlp + ffmpeg 流水线
│   ├── vocal.py              # Demucs 人声提取（去 BGM）
│   ├── diarize.py            # pyannote 说话人分离 + 目标说话人提取
│   └── manifest.py
├── keywords.example.txt      # 关键词文件模式样例
└── scripts/
    ├── setup.sh              # 自动建 venv + 装依赖（幂等）
    ├── run.sh                # 完整配置模式入口
    ├── run_quick.sh          # 快速模式入口
    ├── quick_fetch.py        # 快速模式实现
    ├── run_keywords.sh       # 关键词文件模式入口
    └── fetch_keywords.py     # 关键词文件模式实现（每关键词产出 1 条）

name

video-craw

description

video-craw

按关键词，自动从 YouTube / Bilibili 搜索 → 下载 → 提取并统一转码为音频文件。可选 Demucs v4 人声分离。

支持三种调用方式：

方式	适用场景	入口
快速模式	用户只给了少量人物名 + 简单偏好	`scripts/run_quick.sh`
关键词文件模式	用户给了一份 .txt 名单（每行 1 个关键词），要求每个关键词来 1 条音频	`scripts/run_keywords.sh`
完整配置模式	用户给了详细 yaml 或要精细控制（每人不同抓取数等）	`scripts/run.sh -c <config.yaml>`

所有路径均相对本 skill 目录解析，可整目录迁移。

第一次使用前

skill 自带 scripts/setup.sh，会在 skill 目录下创建 .venv 并安装 requirements.txt。两个 run*.sh 入口都会在首次运行时自动调用它，无需手动 setup。

系统依赖：必须有 ffmpeg。如果 setup 报警 "未检测到 ffmpeg"，提示用户安装：

brew install ffmpeg          # macOS
sudo apt install ffmpeg      # Ubuntu/Debian

决策流程

用户请求
  │
  ├─ 给了 .txt 关键词列表文件（"按这份名单"/"读这个 txt"）？
  │     → 走【关键词文件模式】，scripts/run_keywords.sh -f <txt 路径>
  │       （每行 1 个关键词；每关键词严格产出 1 条音频）
  │
  ├─ 只给人物名 / 平台 / 数量 等简单参数？
  │     → 走【快速模式】，scripts/run_quick.sh
  │
  ├─ 已经有 config.yaml？
  │     → 走【完整配置模式】，scripts/run.sh -c <路径>
  │
  └─ 需要精细控制（每人不同抓取数 / cookies / 自定义 demucs 模型）？
        → 复制 config.example.yaml 改完，再走完整配置模式

不确定先用 --dry-run 让用户确认搜索命中，再正式跑（仅快速模式 / 完整配置模式支持 --dry-run；关键词文件模式直接执行）。

快速模式（推荐起手）

bash scripts/run_quick.sh \
  --person "周杰伦" \
  --person "罗永浩" \
  --per-platform 5
# 默认输出: <skill_dir>/downloads/
# 想换地方: 加 --output /abs/path/to/dir

常用参数（全部可选，缺省即默认 wav/16kHz/mono/中间10秒）：

参数	说明
`--person <name>`	必填，可重复
`--output <dir>`	输出根目录，默认 `<skill_dir>/downloads/`；传相对路径会相对用户当前 cwd解析；传绝对路径直接用
`--per-platform N`	每平台抓取条数，默认 5
`--youtube N` / `--bilibili N`	单独覆盖某平台数量，`0` = 关闭该平台
`--format wav\|mp3\|m4a`	默认 `wav`
`--sample-rate` / `--channels`	默认 `16000` / `1`
`--clip-seconds N`	截取中间多少秒，`0` = 保留全长，默认 10（声音克隆友好规格，无特殊需求别改）
`--min-duration N`	短于此秒的源直接跳过，默认 10（必须 ≥ `--clip-seconds`，否则源不够长无法截取）
`--max-duration N`	单条最长秒数，`0` = 不限，默认 1800
`--vocal`	启用 Demucs 人声分离（去伴奏）
`--diarize`	启用 pyannote 说话人分离，只保留视频里说话最多的那个人；首次需要 HF token
`--hf-token <token>`	HuggingFace token；留空读环境变量 `HF_TOKEN`
`--min-target-total-sec N`	目标人总时长不足时跳过该条；默认 5.0
`--proxy`	例：`http://127.0.0.1:7890`，YouTube 在国内通常需要
`--cookies-youtube` / `--cookies-bilibili`	Netscape 格式 cookies 文件路径
`--dry-run`	只搜索打印，不下载
`-v`	调试日志

run_quick.sh 内部会在 --output 目录下生成一份 _generated_config.yaml 再调用主程序，便于复盘。

关键词文件模式（推荐用于批量名单）

bash scripts/run_keywords.sh -f /path/to/keywords.txt
# 默认：输出 <skill_dir>/downloads/、bilibili 优先 → 失败再 youtube、每平台最多 3 个候选轮流尝试
# 默认产物：每条 = wav / 16kHz / 单声道 / 中间 10 秒（原视频 < 10s 会被过滤跳过）

默认输出 = 10 秒 wav，已经是声音克隆 / TTS 参考音的常用规格。不要在没有明确需求时改 --clip-seconds。用户若说"我要 5 秒"/"全长保留"/"30 秒片段"再相应传 --clip-seconds 5 / --clip-seconds 0 / --clip-seconds 30，并把 --min-duration 提到 ≥ --clip-seconds（否则源不够长截不出来）。

参数：

参数	说明
`-f` / `--file <path>`	必填，关键词 txt 文件
`-o` / `--output <dir>`	输出根目录，默认 `<skill_dir>/downloads/`
`--platforms bilibili youtube`	平台尝试顺序；第一个成功就停。默认 `bilibili youtube`
`--candidates-per-platform N`	每平台拉多少候选轮流尝试（容错失败/过滤）；默认 3
`--format` / `--sample-rate` / `--channels`	同快速模式
`--clip-seconds N`	默认 10；`0` 保留全长
`--min-duration` / `--max-duration`	同快速模式
`--vocal`	启用 Demucs 人声分离
`--diarize`	启用 pyannote 说话人分离，只保留说话最多的人
`--hf-token <token>`	HuggingFace token；留空读环境变量 `HF_TOKEN`
`--min-target-total-sec N`	目标人总时长不足时跳过该条；默认 5.0
`--proxy`	例 `http://127.0.0.1:7890`；用 youtube 时几乎必填
`--cookies-youtube` / `--cookies-bilibili`	cookies 文件路径
`-v`	调试日志

样例 keywords.txt 见 keywords.example.txt。

关键差异 vs 快速模式：

快速模式："1 个人 × 每平台 N 条"——产出可能很多
关键词文件模式："N 个关键词 × 每个仅 1 条"——产出条数 = 关键词条数

如果某关键词全军覆没（比如时长全被过滤），日志会打 [fail] '<keyword>' 所有平台/候选都未拿到可用音频，进程退出码 2。

完整配置模式

# 1) 复制示例配置（仅首次）。可以放在用户工作目录里
cp <skill_dir>/config.example.yaml ./my_config.yaml

# 2) 编辑后运行（-c 支持相对路径，会基于当前 cwd 解析）
bash <skill_dir>/scripts/run.sh -c ./my_config.yaml

# 仅看搜索命中
bash <skill_dir>/scripts/run.sh -c ./my_config.yaml --dry-run

# 只跑指定人物
bash <skill_dir>/scripts/run.sh -c ./my_config.yaml --person "周杰伦"

配置里 output_dir 写相对路径（如默认的 ./downloads）会落到 skill 目录下；想自定义到别处，写绝对路径。

完整字段说明见 config.example.yaml，要点：

audio.format / sample_rate / channels — TTS/ASR 友好默认 wav 16000 1；声音克隆若需 24kHz 改 sample_rate: 24000
audio.clip_seconds — 默认截取中间 10 秒；想保留全长设 0
vocal_extract.enabled: true — 开启 Demucs 去伴奏；首次会下载模型权重 (~80MB)，Mac 上推荐 device: mps
diarize.enabled: true — 开启说话人分离；多人视频做克隆素材必开。会自动取视频里说话最多的那位作为目标人
defaults.youtube / defaults.bilibili — 每平台默认 top N，0 关闭
persons[].platforms — 可逐人覆盖每平台数量

默认音频规格（不要随意改）

项	默认	含义
`--format`	`wav`	TTS / ASR / Demucs 都吃 wav
`--sample-rate`	`16000`	16kHz 是声音克隆 / VALL-E / GPT-SoVITS 等常用输入；24kHz 模型才需要改 24000
`--channels`	`1`	单声道，下游模型基本都要单声道
`--clip-seconds`	`10`	从音频中间截取 10 秒作为最终产物；声音克隆经验值
`--min-duration`	`10`	原视频 < 10s 直接跳过（保证够截 10s）

⚠️ 协同约束：min_duration ≥ clip_seconds。否则源音不够长，截不出目标长度。

用户没明确说要别的规格时，保持默认即可；他要"5 秒短片段"/"完整音频"/"24kHz"再相应改对应参数。

输出结构

<skill_dir>/downloads/
├── .manifest.json                 # 去重 / 续传清单
├── 周杰伦/
│   ├── youtube/<video_id>__<title>.wav
│   └── bilibili/<video_id>__<title>.wav
└── Taylor Swift/
    └── youtube/...

文件名 {video_id}__{安全标题}.{ext}，便于回溯
.manifest.json 让重跑天然去重；删条目即可强制重下

常见坑（提前规避）

现象	处理
`Sign in to confirm you're not a bot` (YouTube)	让用户配置 `--cookies-youtube` 或换出口/代理
国内连不上 YouTube	几乎一定要 `--proxy`
启用 `--vocal` 第一次很慢	Demucs 在下载 ~80MB 模型权重，之后会缓存复用
想做声音克隆但歌曲带 BGM	必须加 `--vocal`，否则会污染训练
B站合集多 P 只下了第一个	默认行为；要全 P 需逐 URL 处理
`torchcodec` / `torch` 安装大	用户不需要 demucs 时，可在 `requirements.txt` 注释掉最后两行后再 setup
启用 `--diarize` 报 `pyannote 需要 HuggingFace token`	在 HF settings 拿 token，并在浏览器同意 `pyannote/speaker-diarization-3.1` 的模型协议；然后 `export HF_TOKEN=hf_xxx` 或传 `--hf-token`
`--diarize` 后某条音频被记 `[skip 已过滤] diarize: 目标说话人 ... 总时长 X.Xs`	这条视频里"说话最多的那个人"也讲得太少。要么调低 `--min-target-total-sec`，要么换源
多人对谈/采访视频做声音克隆，发现混入了别人	必须加 `--diarize`（最好同时 `--vocal`）。前提是目标人在该视频里说得最多——否则换一条目标人占主导的源视频

多说话人场景（采访 / 对谈 / 圆桌）

只开 --vocal 只能去 BGM、不分人。多人视频做声音克隆数据时，必须再加 --diarize，否则克隆出的音色会被记者/嘉宾污染。

何时开

场景	推荐组合
单人演讲 / 单人 vlog	不开 diarize（音轨只有一人，开了浪费时间）
单人 MV / 翻唱	`--vocal`，不开 diarize
多人采访 / 答记者问 / 播客主咖	`--vocal --diarize`
多人圆桌且目标人不是主角	不要用此 skill，换一条目标人主导的源视频

一次性准备

在 https://huggingface.co/settings/tokens 拿 token（read 权限即可）。
浏览器登录后访问 pyannote/speaker-diarization-3.1，点同意协议。
export HF_TOKEN=hf_xxx 写进 shell rc，或每次传 --hf-token。

同意协议是一次性动作；token 也只设一次。之后所有 diarize 调用都走缓存。

用法示例

# 快速模式：抓 Trump 答记者问，自动只保留说话最多的人（即 Trump 本人）
bash scripts/run_quick.sh \
  --person "Trump press conference" \
  --per-platform 5 \
  --vocal --diarize \
  --proxy http://127.0.0.1:7890

# 关键词文件模式：每条候选视频都跑一遍 diarize，主角不达标就跳下一条
bash scripts/run_keywords.sh \
  -f keywords.txt \
  --vocal --diarize

默认行为细节

开 --diarize 后，clip_seconds 的"截中间 N 秒"会自动延后到说话人分离之后执行——否则前 10s 里可能根本没目标人说话。
拼接结果统一为 wav；非 wav 输入会被替换扩展名。
目标人总说话时长 < min_target_total_sec（默认 5s）的视频会被记为 [skip 已过滤]，进 manifest 失败计数 → 关键词文件模式会自动尝试下一个候选。
min_target_total_sec 必须 ≥ clip_seconds，否则截不出目标长度——脚本不会强校验，由用户保证。

性能预期（M2 Mac，CPU 后端）

输入时长	demucs(htdemucs)	pyannote diarization
1 分钟	~10s	~15s
10 分钟	~90s	~120s
30 分钟	~5min	~6min

GPU/MPS 下能再快 3-5 倍。pyannote 在 MPS 上偶有 op 不支持，代码里已自动回退 CPU。

与其他 skill 的衔接

抓回来的 wav 通常是下游素材：

声音克隆 / 角色扮演聊天 → 配合 chat-with-anyone skill 使用
TTS 训练 / 推理参考音 → 配合 tts skill 使用
表达性语音 → 配合 characteristic-voice skill 使用

这种场景下 agent 应在拿到 wav 路径后，主动建议用户进入下一个 skill。

文件结构

video-craw/
├── SKILL.md
├── fetch_audio.py            # 主入口（被脚本调用）
├── requirements.txt
├── config.example.yaml       # 完整配置模板
├── src/
│   ├── config.py
│   ├── searchers.py          # YouTube + Bilibili 关键词搜索
│   ├── downloader.py         # yt-dlp + ffmpeg 流水线
│   ├── vocal.py              # Demucs 人声提取（去 BGM）
│   ├── diarize.py            # pyannote 说话人分离 + 目标说话人提取
│   └── manifest.py
├── keywords.example.txt      # 关键词文件模式样例
└── scripts/
    ├── setup.sh              # 自动建 venv + 装依赖（幂等）
    ├── run.sh                # 完整配置模式入口
    ├── run_quick.sh          # 快速模式入口
    ├── quick_fetch.py        # 快速模式实现
    ├── run_keywords.sh       # 关键词文件模式入口
    └── fetch_keywords.py     # 关键词文件模式实现（每关键词产出 1 条）