X/Twitter 视频转文字与字幕提取

要解决的问题

X/Twitter 上的视频帖子基本不附带可用文稿：口播内容被压在音轨里，想引用、检索或归档某段话，只能反复拖动进度条。另一个麻烦是，很多转写工具的输出带着口语碎句、重复停顿和错乱的时间戳，拿到的往往是半成品而不是能直接放进文档的成稿。这个技能瞄准的正是「给一个公开视频链接 → 得到可复核的口播文本」这一环，不做摘要，也不做账号分析。

核心能力与工作流程

核心能力只有一件事：从公开视频帖子里提取字幕或口播，整理成结构化文稿，同时保留原始分析结果，方便事后核对。

工作流大致如下：

• 校验输入是公开的 HTTP(S) 视频链接，拒绝账号主页、搜索页、私有链接、含凭据的 URL 和本地网络地址；
• 执行 scripts/generate.js，带 --json 与独立的 --output-dir，每个链接只请求一次；
• 只在 success 为 true、summary 或 subtitle 至少一项非空、且结果文件确实存在时才继续，否则直接终止；
• 读取完整字幕并保留原始链接，删除明显重复、空白和无意义碎片；
• 按主题或语义边界分段，不虚构时间戳；
• 输出整理后的字幕、段落主题、专有名词、缺失与警告。

适用边界与注意事项

配置依赖 UNITYCLAW_KEY（也可以在会话里用 --api-key 直接传入，优先级更高）。缺少密钥时需要先引导用户获取再重试，而不是只丢一句环境变量缺失。脚本依赖 fieldkit-sdk@1.0.1，无论走哪种密钥来源，都不得在回复、日志或结果文件里回显真实 Key。

输出强依赖原链接：如果原始视频无法公开访问，服务读不到时就应当明确报告失败，而不是拼凑内容。结果严格区分视频原始陈述与分析解释，不生成说话人、时间戳、引文、指标或事实。因此，主要需要摘要、营销拆解、账号分析或互动数据的请求不在它的适用范围内。