技能介绍

解决什么问题

B站视频里的口播、教程和访谈内容常只以音频形式存在。想沉淀为可检索的笔记、摘要或脚本时，手动听写既慢又容易遗漏。部分视频虽有 CC 字幕，但可能需要登录 Cookie；弹幕也不是正文。没有字幕时，缺少稳定的“音频转文字”路径。该技能将流程固定为：从视频 URL 出发，优先取可用字幕，否则语音识别，最后输出结构化文字稿。

工作流与能力

核心能力是从 B站视频 URL 提取文字稿。先用 yt-dlp 下载音频轨；高画质或会员限制通常不影响音频获取。随后检查 zh-Hans、zh 等非弹幕 CC 字幕，若存在则优先使用，降低识别成本。否则调用 OpenAI Whisper 做中文识别，可指定 tiny、base、small、medium、large 模型；默认 medium 兼顾中文效果与速度，large 适合长视频或更高精度。转录后读取标题、UP主、播放量等元信息，并整理为 .txt 文字稿：按内容分节、添加章节标题、提炼要点表格、摘录关键结论，并保留 [MM:SS] 时间戳，便于回看原视频。

边界与注意

它更适合音频内容提取，而不是视频画面理解。弹幕不能替代口播稿；CC 字幕可能受登录状态影响。Whisper 在 CPU 上可能出现 FP16 警告并自动降级为 FP32，一般不影响结果。网络存在 SSL 证书问题时，脚本已内置绕过处理。模型越大质量通常越好，但下载体积和推理耗时更高；短内容可选小模型快速预览。