视频文字稿提取方法

问题

视频中的核心信息通常在语音里，但工程师拿到 B 站、YouTube 或播客链接后，仍要手工判断是否有 CC 字幕、下载音频、跑 Whisper、整理分段和要点。缺少统一流程时，结果容易混入重复语气词、机械按时长切段，或把要点总结成非原意内容。

技能如何工作

本技能把视频文字稿提取拆成三条主线：

• 字幕优先：先解析 URL、识别平台和视频 ID，再用 yt-dlp --list-subs 检测 CC 字幕；有中文字幕时直接取字幕，避免不必要的语音识别。
• Whisper 兜底：无字幕时下载 mp3 音频轨，调用 Whisper 生成带时间戳文本；默认 medium 模型，FP16 不可用时降级 FP32。
• 语义整理：按内容逻辑分段，生成章节标题、时间范围、要点表格和原文金句，输出 .txt 或 .md。

适用边界

它适合任何 yt-dlp 支持且语音承载核心信息的在线视频；弹幕不等于 CC 字幕，未登录或平台限制可能影响字幕获取。Whisper 准确率受音频质量影响，提取内容仍需检查版权、完整性和时间戳误差。