技能介绍

把一条抖音视频变成可用素材，通常要拆成三步：拿到无水印视频、从视频里抽出人声音频、再把人声转成可读的文字。这三件事各自都能找到一个工具解决，但串起来会踩一堆坑：解析接口要注册拿 Token、识别要填 API Key、Windows 上跑起来还会因为编码或 OpenMP 直接崩溃。

这个 skill 把链路压成一次调用，默认路径全程零 Key、零费用，模型跑起来之后完全离线。

输入支持四种：抖音分享链接、短链、.mp4 直链，或本地视频文件的绝对路径。

解析与下载：默认走抖音官方分享页 iesdouyin.com/share/video/<id>/，页面内嵌的 _ROUTER_DATA 里有播放直链，脚本把 /playwm/ 换成 /play/ 优先取无水印版本，免注册、免 Cookie。
提取口播音频：用 PyAV 直接抽取音轨重编码为单声道 _口播.mp3，不依赖系统 ffmpeg，也不触发 ASR。
生成逐字稿：本地 whisper.cpp 识别（纯 C++ 实现，绕开 torch/ctranslate2 的 OpenMP 段错误），再依次经过 OpenCC 繁转简、sherpa-onnx 的 CT-Transformer 补标点、按句末标点断行，最终交付 _口播逐字稿.txt。

本地视频输入会跳过解析和下载，抖音通道挂了也能把口播环节跑完，这是最稳的兜底。

不产出标题文案。自 v1.4.0 起移除了该能力，resolve() 也不再返回 desc 字段，机制上杜绝模型据此生成发布文案。
解析失败不是 bug。免 Key 通道的稳定性不由本 skill 控制，视频可能已删除、设私密或需要登录。脚本会打印结构化兜底清单而不是崩溃，最实际的做法是把本地 .mp4 路径发给 AI。
首次运行需要联网一次：ggml-small.bin（约 487MB）和标点模型（约 76MB）会经 HF 镜像下载到 ~/.workbuddy/models/ 下，之后完全离线。离线环境需手动放置这两个目录。
识别速度属正常开销：CPU 单线程下 5 分钟音频约 60–70 秒（约 0.2x 实时）。
跨平台已核验：Windows 上脚本入口强制 UTF-8 输出，避免中文控制台 GBK 编码崩溃；macOS 上解压出的脚本可能被 Gatekeeper 拦截，终端显式执行一次即可自愈。
外部 ASR 只是兜底：仅在本地识别连续失败且配置了 OPENAI_API_KEY 时启用，兼容 siliconflow（自动用 FunAudioLLM/SenseVoiceSmall）或智谱端点。