技能介绍

要解决什么问题

长视频、直播回放、课程录屏往往散落在 YouTube、B站、抖音、小红书等平台。你真正需要的是可检索的文字：既有摘要和行动项，又能在争议或细节处对照完整转录，而不是在播放器里反复拖进度条。

本技能把「下载 → 转录 → 笔记 → 清理磁盘」串成一条可重复的流水线，并在模式二里强制删除中间音视频，只保留 .md 笔记和 _transcript.txt 转录稿。

如何工作

两种触发模式分工明确：

只下载：用户说「下载视频」「存这个视频」时，仅交付文件，不转录、不删除。
下载 + 笔记：用户说「做笔记」「转文字」时，走完整管道：下载 → ffmpeg 提取音频 → 转录 → 由 Agent 按规范生成两部分笔记 → 按铁律清理中间产物。

转录后端通过 VTN_ASR（或脚本 --asr）选择：本地 Qwen3-ASR（Apple Silicon / MLX，中文场景优于 Whisper）或 OpenAI 兼容 audio.transcriptions API（auto 时检测到 VTN_ASR_API_KEY 走云端）。推荐用自带 scripts/vtn.py 跑下载与转录，Agent 再读 _transcript.txt 写 Markdown。

两部分笔记是模式二的硬规范：Part 1 为人类可读的结构化提炼（观点、金句、要点、行动项）；Part 2 为完整转录原文（不可省略）。外文视频 Part 2 需译为中文再写入。

各平台下载以 yt-dlp 为主；Twitter HLS 过慢时可改用 http-832 + curl 等针对性手段。路径与模型位置一律用环境变量（如 VTN_OUTPUT_DIR、VTN_ASR_MODEL），避免硬编码。

边界与注意

隐私与计费：云端 API 会上传音频；敏感内容优先本地 MLX。
小红书：禁止把 MCP/互动账号 cookies 交给 yt-dlp；须独立浏览号 cookies、公开访问或用户手动分享链接，详见技能内 cookie 隔离说明。
预期行为：Qwen3-ASR 首次加载约 30–60s 无输出属正常；Whisper 兼容问题技能侧不修，坚持 Qwen3-ASR。