视频台词提取

要解决什么问题

做视频复盘、写摘要或把口播改成文章时，你往往需要的是可检索的文本，而不是再点开播放器拖进度条。B 站、YouTube 等平台有的视频自带字幕，有的只有音轨；链接一丢给助手，如果没有统一流程，很容易卡在下载失败、没有字幕、或只能凭感觉概括内容上。

技能如何工作

技能围绕「有字幕先抽字幕，没字幕再走 ASR」这条主线：

• 有字幕：用 yt-dlp 等链路直接拉取字幕，保留时间戳，可输出纯文本或 SRT。
• 无字幕：下载音频后转写。默认走本地 FunASR（ModelScope 缓存，无需 API Key）；也可选 SiliconFlow API（需 SILICONFLOW_API_KEY 或 --api-key）。
• 大文件：超过约 25MB 的音频会分段转写，避免单次 ASR 撑爆内存或超时。
• B 站：公开视频有时能直接下；若遇 HTTP 412 等反爬，需通过 --cookies（Netscape 格式）或 --cookies-from-browser 传入登录态，不要把 Cookie 内容写进对话或技能目录。

典型执行顺序：解析链接类型 → 判断 B 站是否要 Cookie → 确认 yt-dlp / ffmpeg / 转写依赖可用 → 跑提取脚本 → 读输出文件并返回。格式可用 --format txt|srt，语言可用 --lang zh|en|auto，ASR 后端用 --asr-backend local|api|auto。

适用边界与注意点

• 本地 ASR 首次会拉模型，长视频（例如超过 30 分钟）转写耗时会明显变长，需要预期等待。
• API ASR 会把音频片段发到 SiliconFlow，涉及隐私时应在调用前说明并优先本地后端。
• 输出默认在临时目录，重要结果应自行另存；音视频与 Cookie 只应留在本机临时路径，不要打包进技能市场或日志。
• 文档中提到的说话人分离、实时流式等属于未来扩展，当前技能以「整段台词 + 时间轴」为主。