技能介绍

解决什么问题

课程材料往往散落在视频、音频和 PPT 截图里。手动整理时，你得在画面抽取、语音转写、笔记排版之间反复切换工具，中间状态还容易丢。本技能把这条链路拆成三个解耦阶段，最终只交付一份统一的 课程笔记.md。

核心能力与关键步骤

视觉提取：抽取视频帧，识别 PPT/课件类画面并对相似页面去重，产出 课程讲义.pdf 与 images/。依赖 ffmpeg/ffprobe 读媒体流，opencv-python + numpy 抽帧判类，Pillow 出图出讲义，PyMuPDF 提取文本预览。

音频转写：把视频/音频转成 字幕.srt、字幕.txt 和 work/asr_chunks.json。ASR 地址从 ASR_BASE_URL 读取，服务不需鉴权时 ASR_API_KEY 可留空。

笔记写作：脚本只负责准备素材，最终笔记由执行 agent 结合讲义、图片和字幕素材包编写。

流程上先用 scripts/inspect_media.py 盘点输入，再用 scripts/prepare_course_from_media.py 准备标准课程目录，接着 scripts/build_source_pack.py 刷新 work/note_source_pack.json，写 课程笔记.md 前阅读 references/note_template.md。已存在 字幕.srt 时默认复用，不重复跑 ASR。

按输入类型分流：有音频且画面像 PPT 的视频提取课件并转写；画面不像 PPT 的只转写音频；无声视频尝试找同名或 --audio 指定的配套音频，找不到时只准备视觉输出并明确提示缺少音频/字幕；纯音频直接转写；已有 PDF/图片和 SRT 则跳过媒体准备。

适用边界与注意点

写笔记前先确认执行 agent 的视觉能力。支持多模态时，可结合 images/、渲染后的 PDF 页面与字幕文本；不支持时只用可提取的 PDF 文本、字幕.srt、字幕.txt 和 work/note_source_pack.json，不要声称理解截图、图表、流程图或扫描页面。

若唯一视觉来源是扫描版或纯图片 PDF，且 agent 没有多模态也没有 OCR 能力，就生成仅基于字幕的笔记，并自然说明可见课程材料未纳入。接收方模型能力未知时，先读 references/multimodal-boundary.md。调整视频提取参数看 references/lecture-video-heuristics.md。