长视频深度学习

为什么需要这个技能

• 信息密度高但吸收效率低：一小时以上的深度访谈、课程或播客往往包含大量高密度信息，但传统观看方式难以结构化吸收，容易遗漏关键点。
• 逐字稿生成与校对难题：语音转写常因专有名词（如代码、法律术语）导致误听（如"checkAutoType"被误转为"Check Out Of Type"），需人工校对或术语表辅助。
• 视觉信息丢失：纯音频转写无法还原视频中的流程图、公式或代码画面，导致部分关键信息缺失。
• 缺乏可检索性：零散笔记难以复用，知识点无法快速定位或跨场景应用。

它如何工作

该技能通过五步工作流实现"像读书一样读长视频"：

1. 获取视频源：支持URL（通过yt-dlp下载）或本地文件，回退铁律确保不绕过平台限制。
2. 转写逐字稿（SRT带时间轴）：使用faster-whisper转写，输出带时间戳的SRT文件，并支持术语纠错（如加载用户术语表或使用references/prompts.md中的模板）。
3. 结构化章节：按话题或静音切分章节，生成时间戳、标题和一句话摘要，覆盖全片主要段落。
4. 交互深化四件套：按需触发explain（难点讲解）、search（关键词定位）、translate（中英翻译）、frames（抽帧补视觉）。
5. 沉淀与分享：导出笔记至记忆库，支持Build in Public分享心得。

适用边界与注意点

• 依赖环境：faster-whisper需GPU加速（device="auto"），纯CPU处理长视频较慢，建议按章节分批转写。
• 专有名词处理：安全、医疗、法律等领域术语易误听，需依赖术语表或人工校对。
• 视觉补强限制：frames功能需结合video-understand-skill或ffmpeg抽帧，无法替代原始视频的视觉细节。
• 回退策略：平台要求cookie时，必须改用本地文件，不得绕过限制。