视频提取文字

它解决什么问题

把本地视频转成文字，通常意味着在 ASR 工具、字幕编辑器和文本清洗流程之间来回切换。更麻烦的是：Whisper 默认会在当前目录留下 JSON、WAV 等中间文件；批量处理时多个视频容易互相覆盖；输出的时间轴格式五花八门，后续对齐成本很高。这个技能把整条链路收敛成一条命令：输入视频绝对路径，输出一个格式统一的 .txt，中间产物全部留在系统临时目录并自动清理。

核心能力与关键步骤

• 格式统一：每段输出为 ［HH:MM:SS.mmm - HH:MM:SS.mmm］文本，时间精度到毫秒。
• 依赖自检：运行前检查 uv、ffmpeg、ffprobe 是否可用，缺失时整批停止并提示修复环境。
• 时长获取：用 ffprobe 读取视频时长，用于最终汇报。
• 转写隔离：通过 uv run --with openai-whisper 调用 Whisper，所有中间输出写入系统临时目录，成功或失败都会清理。
• 原子替换：只有最终 TXT 会落到视频同目录，命名 _整理版.txt；同名文件已存在时默认停止，只有用户明确授权后才传 --force。
• 并发限流：多视频由主 agent 统筹、子 agent 分批处理，默认并发 2 个视频，资源充足且视频较短时最多 3 个。
• 失败隔离：单个视频转写失败不阻塞批处理，失败原因进入最终汇总。
• 时长区分：汇报时区分总视频时长（ffprobe 媒体时长之和）与实际处理总耗时（墙钟时间），不混用。

适用边界与注意点

• 只接受完整下载的本地视频，拒绝 .downloading、.part、.partial 等未完成文件。
• 不删除、不移动、不修改源视频；不猜测说话人，不根据上下文篡改人名、数字、剂量或专业术语。
• 用户未指定语言时默认中文 zh，明确指定时使用其语言；模型默认 small，可通过 --model 调整。
• 每个视频最终只保留一个 TXT，不会在视频目录留下 WAV、JSON、SRT、VTT、TSV 等中间产物。
• 并行调度不可用时自动降级为串行，汇总结果不变。