chinese-video-transcribe-pdf

name	chinese-video-transcribe-pdf
description	将中文字幕视频（或无字幕视频）转写为文本，并生成中文PDF报告。使用 faster-whisper 做语音转写（不受字幕限制），ReportLab 生成专业中文PDF。适用于YouTube、MP4等来源的视频。
tags	["中文","转写","PDF","whisper","faster-whisper"]

Chinese Video Transcription to PDF

将中文视频转写为结构化文本并生成专业中文PDF报告。

核心工作流

1. yt-dlp 下载视频
2. ffmpeg 抽出音频（16kHz PCM）  ← 关键步骤，避免视频解码问题
3. faster-whisper tiny/medium 模型转写（支持中文，无需字幕）
4. 整理 Markdown 报告内容
5. render_cn_report_pdf.py 生成 PDF

Step 1：下载视频

yt-dlp -f "bestvideo[ext=mp4]+bestaudio[ext=m4a]/best[ext=mp4]/best" \
  -o "~/Downloads/%(title)s.%(ext)s" "VIDEO_URL"

如下载中断，用 --force-overwrites 或直接重新运行（yt-dlp 自动续传）。

Step 2：抽出音频（关键）

视频编码（AV1等）可能导致 Whisper 卡在43% 解码位置。必须先抽出音频：

ffmpeg -i "INPUT.mp4" -vn -acodec pcm_s16le -ar 16000 -ac 1 /tmp/audio.wav -y

参数说明：

• -vn 不要视频
• -acodec pcm_s16le 线性PCM，避免压缩编码问题
• -ar 16000 Whisper 推荐的采样率
• -ac 1 单声道

Step 3：转写（faster-whisper）

不要用 openai-whisper CLI（输出 pipe 到 tail 时无法观察进度，且某些视频编码会卡住）。

用 Python API + faster-whisper：

from faster_whisper import WhisperModel

model = WhisperModel("tiny", device="cpu", compute_type="int8")
segments, info = model.transcribe(
    "/tmp/audio.wav",
    language="zh",
    vad_filter=True,
    vad_parameters=dict(min_silence_duration_ms=800)
)

results = []
for seg in segments:
    results.append({
        "start": round(seg.start, 2),
        "end": round(seg.end, 2),
        "text": seg.text.strip()
    })

# 保存为 JSON
import json
with open("/tmp/transcript.json", "w", encoding="utf-8") as f:
    json.dump({"segments": results, "language": info.language}, f, ensure_ascii=False, indent=2)

模型选择：

• tiny — 最快（3分钟左右转写40分钟），中文识别准确率已很好
• medium — 更准但更慢，适合关键内容

Step 4：生成 Markdown 报告

根据转写内容整理 Markdown 结构，使用中文标题和自然段落。

Step 5：生成 PDF

重要决策点： ReportLab 渲染器的输出质量偏基础（markdown 直转，无 CSS 精排，层次感弱）。当用户需要专业/咨询风格报告时（如对方明确说"排版太差""咨询风格"），跳过 ReportLab，使用 HTML+CSS+Chrome 导出。

路径 A：基础版 — ReportLab（快速，排版一般）

python3 $SKILL_DIR/../../../openclaw-imports/chinese-pdf-report/scripts/render_cn_report_pdf.py \
  --input /tmp/report.md \
  --output ~/Downloads/输出报告.pdf

字体自动注册：SongtiSC（正文）、HeitiSC（标题）、KaitiSC（引用）。

路径 B：咨询风格 — HTML+CSS+Chrome headless（专业排版）

参考 chinese-pdf-report 技能中已验证的 CSS 规格（PingFang 字体栈、蓝/青/赤配色、Hero区、卡片、表格、引用块、网格布局），手写 HTML → Chrome 导出。

已验证的导出命令（注意必须用纯 ASCII 路径中转，中文路径会导致 Chrome 导出空白 PDF）：

cp report.html /tmp/report_for_pdf.html
'/Applications/Google Chrome.app/Contents/MacOS/Google Chrome' \
  --headless=new --disable-gpu --no-sandbox \
  --no-pdf-header-footer \
  --print-to-pdf='/tmp/report_output.pdf' \
  'file:///tmp/report_for_pdf.html'
cp /tmp/report_output.pdf "最终输出路径/报告.pdf"

--no-pdf-header-footer 是强制项，否则 PDF 页面边缘会泄漏本地 file:// 路径和浏览器时间戳。

故障排除

问题	原因	解法
youtube-transcript-api 返回 disabled	视频字幕被禁用	直接用 faster-whisper 转写，无需字幕
Whisper CLI 卡在43%	视频流解码问题	先用 ffmpeg 抽出 WAV 音频再转写
openai-whisper 无输出	pipe 到 tail 导致 stdout buffer	用 faster-whisper Python API，轮询进程状态
PDF 中文乱码	字体未嵌入	用 render_cn_report_pdf.py，自动注册中文字体
Whisper 模型下载慢	网络问题	提前下载好：ls ~/.cache/whisper/
转写中的人名/专有名词错误	Whisper 对历史人名、日文人名、专业术语不可靠	生成报告前必须人工核查。已知错例：张献忠→张县中、山上彻也→山上彻野、"如出一辙"→"如诸一辙"。不要直接信任转写结果中的专有名词。

依赖安装

pip3 install faster-whisper
# 无需安装 openai-whisper CLI

输出标准

最终交付：

1. PDF 报告文件（中文无乱码）
2. 源 Markdown 文件
3. 转写 JSON 文件（可选）

文件命名规范：主题_报告类型_YYYYMMDD.pdf