视频画外音与字幕提取

问题

抖音、B站、快手、西瓜等平台的公开视频大多只有画面和声音，没有可直接外挂的字幕文件。人工听写、逐句转写成本高、周期长。这个技能把浏览器里真实播放的视频音轨抓下来，用本地 whisper.cpp 识别口播内容，直接产出中文 SRT 字幕。

工作方式

整条链路分四步：

1. 抓取与下载：python scripts/capture.py 通过浏览器截获直链并下载，产出 video.mp4、已抽好的 audio.wav，以及兜底用的 candidates.txt 和 plan.json；若自动下载失败，可跑 scripts/download.py 按 plan.json 重建任务。
2. 音量自检（可选）：ffmpeg -i audio.wav -af volumedetect -f null -，mean 落在 -10~-25dB 说明有人声；若识别结果全是「（音樂）」或接近静音，多半是纯 BGM 无口播，直接如实反馈并交付视频自带文案。
3. 转写：whisper-cli 挂 ggml-medium-q5_0.bin，参数 -l zh -osrt -otxt，产出 transcript.srt/.txt。medium 模型优先于 small，准确率更稳。
4. 校正出片：把人工校正后的文本逐行写入 corrected.txt，跑 python scripts/make_srt.py 合并原始时间轴，输出可直接外挂或烧录的 subtitle_final.srt；没有时间戳线索时加 --dur 4 按固定时长分布。

适用边界与坑

• 可用：网页端能真实播放的公网视频——抖音、快手、西瓜、B站部分页面、新闻站、mp4 直链，以及 HLS(m3u8)、抖音式分离音视频流、m4a/aac/mp3 通用音频流。
• 不可用：微信视频号（weixin.qq.com/sph/...）只返封面和文案、没有视频流，别反复试，让用户改用腾讯元宝。
• 抖音的 media-video-* 流是纯视频无音轨，必须取 media-audio-und-mp4a 独立音频流，capture 脚本已自动处理。
• 本环境 faster-whisper/CTranslate2 段错误、openai-whisper 装 torch 易断，必须用 whisper.cpp；HuggingFace 直连超时要走 HF_ENDPOINT=https://hf-mirror.com 并关掉 xet。
• 浏览器须关沙箱运行；带签名的直链刷新即失效，捕获后要在同一会话里尽快下载。
• B站/YouTube 多为 blob/MSE(DASH) 流，capture 拿不到完整音轨时，提示用户改用平台自带字幕或专用下载器，不要硬解。