抖音视频整理文档纪要

解决什么问题

抖音上的播客和知识类视频往往信息密度很高，但平台本身不提供转写能力。手工整理意味着反复听录音、逐字摘抄，一篇 30 分钟的节目可能要耗费数小时。这个技能把整条链路自动化：拿到链接后，从下载、语音识别到产出结构化 Word 文档，中间不需要人工干预。

核心能力与工作管线

技能按四个阶段推进：

• Phase 1 下载视频：调用 yt-dlp 拉取原始视频。抖音对未授权请求会直接返回 403，因此必须带上 --cookies-from-browser chrome 复用浏览器登录态；下载后把含中文的文件名统一重命名为 video.mp4，避免后续环节解析出错。
• Phase 2 提取音频：用 ffmpeg 把音频转成 16kHz、单声道、16-bit PCM，这是 Whisper 识别效果最稳定的输入格式。
• Phase 3 语音转录：openai-whisper 负责识别。20 分钟以内的视频一次性全量转录；超过 20 分钟时 Whisper 可能截断，需要先 ffmpeg 分片再逐段识别。模型方面推荐 small，中文准确度和速度比较均衡。
• Phase 4 生成文档：python-docx 产出结构化 Word 文件，包含封面标题、按主题拆分的章节（从转写稿中提炼 5-10 个逻辑段落）、宋体正文、黑体标题和主题色强调。

适用边界与注意点

• 整个方案依赖本地环境，视频实际下载进度由上游工具决定，长视频首次处理需要等待。
• 视频越长，转录耗时越长，超过 20 分钟时务必走分片逻辑，否则结果会被截断。
• 文档的主题拆分依赖模型对转写稿的分析能力，章节划分质量与内容清晰度直接相关。
• 交付物为 {标题}.docx 结构化文档，可选附带原始视频与纯文字转录稿。