本地视频字幕提取与校对

要解决什么问题

本地视频往往只有软字幕轨、硬字幕画面，或干脆只有人声。你需要一份可读的字幕或逐段文稿，又不想把文件上传到云端 ASR，也不想为校对反复手工改同音错字（例如 ASR 把「反智」听成「反制」）。

技能如何工作

技能用「先探测、再选路」的方式处理，全程离线（faster-whisper、pysubs2、opencc 等）。

1. Path A — 内嵌软字幕：用 extract_embedded.py 探测并抽取；有轨则直接得到 SRT，可跳到校对与导出。
2. Path B — ASR（默认兜底）：transcribe.py 自动抽 16k 单声道 wav 并转写；--lang auto/zh，模型 small 平衡速度与精度；NVIDIA 可用 --device cuda。
3. 规则校对（必做）：proofread.py 做繁简转换（OpenCC）、去空轴、合并重复行、按时间排序，不调用 LLM。
4. Path C — 硬字幕比对（可选）：extract_frames.py 裁切底部字幕带；用多模态阅读帧图，整理 fixes.json 的 [错, 对] 对；correct_srt.py 写回并出对比报告。
5. 导出：export_doc.py 生成段落合并的 TXT，并保留 SRT。

适用边界与注意点

• ffmpeg/ffprobe 需在 PATH；Windows 路径请用 E:/视频/x.mp4 这类写法。
• Intel Arc：GPU 时间戳不可靠，请用 --device cpu；作者在 A770 上以 CPU 模式验证。
• AMD ROCm：当前 CTranslate2 无 ROCm 轮子，会回落 CPU。
• 国内 easyocr 权重难下，硬字幕纠错依赖帧图阅读而非 OCR。
• 规则校对不修语义；同音误听需 Step 3 或人工。