简诗视频内容提取助手

痛点：没有字幕的视频，文字全靠看

课程录屏、分享演示或技术讲解视频里，大量信息其实写在画面上——幻灯片标题、代码块、UI 文案。如果视频本身没有内嵌字幕，想把这些内容变成可检索、可引用的文本，通常只能靠人工逐帧截图、敲字，耗时且容易遗漏。这个技能要解决的是：把“屏幕上的字”自动提取成结构化文本，而不是做语音转写。

核心能力与关键步骤

该技能面向 MP4 文件，基于本地 FFmpeg 与 Tesseract OCR 工作，整体分四步：

• 分析视频元数据：先用 ffprobe 读取时长、分辨率、帧率、编解码信息和文件大小，为后续抽帧提供依据。
• 定时抽帧：按设定间隔（默认每 30 秒）截取关键帧，保存为带时间戳的 JPEG 图像。
• OCR 识别：对每一帧调用 Tesseract 做文字识别；若默认 PSM 模式识别不到有效文本，会回退到全自动页面分割模式，提高鲁棒性。
• 生成 Markdown 报告：把元数据、各帧 OCR 结果和对应时间戳整合成结构化文档，例如生成 lecture.md 与 lecture_frames/ 目录。

支持通过参数调整抽帧间隔、输出目录和识别语言，例如 python scripts/extract_video.py recording.mp4 ./output 60 eng 可每 60 秒抽帧并仅做英文识别，适合节奏较慢的讲座或幻灯片。

适用边界与注意点

它只做画面文字提取，不提取音频、不做语音转文字。抽帧是按时间间隔进行的，而非基于场景变化检测，因此内容变化慢的画面可能产生重复帧；节奏快、文字频繁切换的内容建议用更短间隔（10–15 秒），幻灯片类内容可用更长间隔（30–60 秒）以减少冗余。

OCR 精度受视频质量、文字大小和字体清晰度影响。处理中文内容需安装 Tesseract 中文语言包（chi_sim），可用 tesseract --list-langs 检查是否可用。所有处理均在本地完成，不上传数据，也不会修改原始视频文件。