抖音视频文案提取

需要解决的问题

在内容创作、数据分析和信息归档等场景中，常需要将抖音视频或本地音视频文件中的语音内容转化为可编辑、可搜索的文本。手动转录不仅耗时，而且容易出错，尤其对于长视频或音质不佳的录音。此技能旨在自动化这一过程，提供从提取到结构化输出的完整流水线。

工作流程与核心能力

技能的核心流程分为两大模式，其转录与输出逻辑共享同一套脚本。

1. 抖音链接模式

• 视频提取：当用户提供抖音分享链接或口令时，技能使用 Playwright 在无头 Chrome 浏览器中打开短链接，等待 JS 加载后从 DOM 中捕获 video.src，并下载原始视频文件。此方法无需登录，且能绕过常见的登录模态框干扰。
• 关键优势：采用 DOM 解析而非网络拦截，确保了提取的稳定性。

2. 本地文件模式

• 直接读取：支持用户直接指定本地音视频文件路径（绝对路径、相对路径或附件引用）。技能不会移动或复制源文件，直接读取其内容进行处理。
• 广泛格式支持：兼容 .mp4, .mp3, .wav, .flac 等多种主流音视频格式。

通用核心步骤：Whisper 转录与 Agent 整理

• 本地转录：使用 Whisper 的 medium 模型（约 1.4GB，首次运行自动下载缓存）对提取或指定的媒体文件进行语音识别，生成包含时间戳的原始文本。脚本内置了模型缓存损坏的自动修复机制。
• Agent 智能整理：转录完成后，由 Agent 自身对原始文本进行后处理。这一步不调用任何外部 LLM，严格遵守规则：

- 允许：添加必要标点、修正明显的 ASR（自动语音识别）错别字、进行语义分段。
- 禁止：删减原始内容、改写概括、添加总结或评论。确保输出文本忠实于原始语音。

• 结构化输出：最终生成一个清晰、可读的 .md 文件，同时保留原始转录的 .txt 和 .json 文件以供查验。

使用限制与注意事项

• 环境依赖：需要本地拥有 Python 3.10 至 3.12 环境，并需通过 setup_env.py 脚本创建隔离的虚拟环境及安装依赖（包括 PyTorch、Whisper 等）。跨机器迁移后必须重新运行此脚本。
• 资源占用：首次运行需下载约 4GB 的模型与依赖，并需要足够的磁盘空间（约 4GB）。
• 内容处理边界：Agent 的整理仅限于文本润色和纠错，不进行任何内容层面的增删改，以保证信息的原始性。这是功能设计上的严格限制，而非缺陷。
• 抖音平台动态：抖音链接的提取依赖于页面 DOM 结构，若平台前端更新可能导致提取失败，但技能会尝试自动重试和回退方案。