多平台视频转录

要解决什么问题

会议纪要、教程复盘、口播稿整理，往往卡在「视频在平台上，文字得自己听写」。本技能面向可公开访问的视频链接（抖音、B站、YouTube、快手、微博、小红书、西瓜等），把音轨转成带时间戳的分段文本和可复制全文，方便剪辑对轴、检索与二次编辑。

技能如何工作

Agent 调用时传入 video_url（必填），可选 model（默认 large-v3，或更快的 turbo）与 prompt（帮助 Whisper 识别领域术语）。底层流程大致是：

• 用 yt-dlp 按链接下载视频到 VIDEO_DOWNLOAD_DIR（未配置时落在脚本目录，常见文件名为 temp_video.*）
• 用 openai-whisper 在 CPU 上转录（无需 GPU）
• 输出分段稿（含时间戳）、纯文本，以及本地保存的视频文件

模型缓存建议通过 WHISPER_DOWNLOAD_ROOT 指到非系统盘（large-v3 约 2.9GB）。也可在宿主机手动执行 scripts/transcribe.py 完成同样流程。

适用边界与注意点

• 下载失败：链接无效或平台风控时，可能需要为 yt-dlp 配置 --cookies。
• 速度：CPU 下 large-v3 约 77 秒/分钟视频；赶时间可换 turbo，精度略降。
• 中文效果：依赖较新的 openai-whisper 与 large-v3；内存紧张时 large-v3 约需 10GB，可改用 turbo。
• 转录后若不需要保留源视频，可自行删除 temp_video.* 等临时文件。