视频文字稿提取方法

要解决什么问题

技术分享、课程和会议录像的信息密度往往在语音里，而不是画面。你需要把 B 站、YouTube、抖音、播客或会议录像转成可检索、可引用的文字稿，还要能按章节浏览、核对时间戳，并提炼要点——而不是一堆按固定时长切块的机器字幕。

技能如何工作

本方法把提取流程固定为三步，并明确数据源优先级：

1. 源定位与字幕检测：解析 URL、识别平台与视频 ID，拉取标题、作者、时长等元信息；用 yt-dlp --list-subs 检测 CC 字幕。有中文字幕（zh-Hans / zh）则直接下载，弹幕（danmaku）不算字幕。
2. 音频与识别（无 CC 时）：yt-dlp 拉取 bestaudio 并转为 mp3；再用 Whisper 转写（默认 medium，无 FP16 时降级 FP32）。CC 字幕准确率接近人工校对，Whisper 中文大致在 85%～95%，视音频质量而定。
3. 语义整理与交付：去重复与语气词，按内容逻辑分段（非固定时长），标注章节与时间范围，生成要点表与原文金句，输出 .txt 或 .md。

交付前应对照五项验证：内容完整、时间戳误差 ≤3 秒、分段合理、要点忠实原文、格式符合目标平台。

适用边界与注意

• 平台支持范围以 yt-dlp 实际能力为准，勿假设全平台一致可用。
• 未登录时部分站点可能拿不到 CC 字幕，只能走 Whisper 路径。
• 从视频提取文字涉及版权与使用条款，个人学习笔记与公开再分发不是同一回事，需自行合规。
• AI 产出的分段与要点是起点，用户可对分段、要点、金句做最终调整；要点与金句必须基于实际转录，不可编造。