视频结构拆解（Video Structure Teardown）
把一条视频拆解为逐段时间轴：每个时间段「画面是什么 + 字幕/口播说了什么 + 承担什么结构功能」，最终交付 Markdown 拆解报告。
核心流程（5 步，全部有脚本兜底）
第 0 步：环境自检（每次必跑，脚本自愈）
$env:PYTHONUTF8 = "1"
python "<skill目录>\scripts\check_env.py"
脚本自动完成：检测/安装 pip 依赖（openai-whisper、selenium、yt-dlp，走清华镜像）、定位 ffmpeg、修复 whisper assets 缺失（20250625 版 sdist 不带 assets：mel_filters.npz 用 librosa 现场重生成；multilingual.tiktoken 从清华镜像的 20240930 sdist 抽取）、检查 msedgedriver。
第 1 步：取视频（抖音链接 / 直链 / 本地文件）
python "<skill目录>\scripts\fetch_video.py" "<URL或本地路径>" --outdir "D:\VideoAnalysis\<视频ID>"
- 支持：
douyin.com/video/<id>、用户页?modal_id=<id>、v.douyin.com短链（自动重定向解析）、http 直链、本地文件路径（直接使用） - 已知坑（勿走弯路）：
- yt-dlp 下载抖音必报 "Fresh cookies are needed"——不要尝试 cookies/iesdouyin/ttwid 各种绕法，全都会失败（新版接口要浏览器端签名）
- 正确方案 = 无头 Edge（selenium + msedgedriver）真实打开页面，等 10 秒后 JS 强制播放，抓
<video>的 currentSrc（douyinvod 签名直链），同一会话内立刻用 urllib 带Referer: https://www.douyin.com/下载（签名 URL 几分钟内过期） - msedgedriver 从
https://msedgedriver.microsoft.com/<版本>/edgedriver_win64.zip下载（azureedge 域名可能连不上，microsoft.com 域名稳定） - 加
--probe-only只解析视频 ID 和检查驱动，不下载
第 2 步：媒体信息 + 转写
python "<skill目录>\scripts\transcribe.py" "<video.mp4>" --model tiny --lang zh --out "<工作目录>\segments.json"
- whisper-tiny CPU 约 0.3×时长耗时（15 分钟视频 ≈ 5 分钟）；
--model small更准（需下载 466MB，Azure CDN 可直连） - 输出
{duration, language, segments:[{start,end,text}]}；tiny 中文有噪声，报告中要注明"已用画面字幕交叉校正"
第 3 步：抽帧 + 时间窗
python "<skill目录>\scripts\extract_frames.py" "<video.mp4>" --outdir "<工作目录>\frames" --windows 22
- 自动产出：
windows.json（22 个时间窗+采样点）、每窗中部帧g_*.jpg、开场帧（0.5/2/3.5/6s，黄金 3 秒专用）、结尾帧（最后 3 秒 3 张）、场景切换点列表
第 4 步：多模态看帧（Claude 亲自做）
用 Read 工具批量查看 jpg（每批 4-6 张），记录每个时间窗的：出镜人物、场景/机位、B-roll 类型（空镜/资料截图/老照片）、画面上的花字与贴纸原文。画面上的字幕是校正转写噪声的第一依据。
第 5 步：组装《逐段时间轴.md》
工作目录下生成报告，模板结构：
1. 标题区：视频标题 / 来源 / 时长 / 镜头密度（场景数÷时长）/ 嘉宾身份（从画面证据推断）
2. 逐段表：| 时间 | 画面 | 字幕/口播 | 结构功能 | —— 时间窗用 windows.json，画面用看帧结论，文案用 segments.json 按窗聚合（画面字幕优先校正）
3. 黄金 3 秒专析：开场帧逐帧表 + 钩子类型判定（断言式/提问式/反差式/悬念式）+ 花字递进规律
4. 情绪山脊图（ASCII）：标出钩子/题眼/情绪顶点/升华的时间位置
5. 整片骨架一行流程 + 可复用结构公式代码块 + 花字/字幕系统分层清单
6. 结尾注明：转写模型档位与噪声说明、产出文件清单
写完后 Invoke-Item 打开 md 文件给用户，并在聊天中贴出完整表格。
第 6 步：导出 Word 文档（默认执行）
python "<skill目录>\scripts\md2docx.py" "<工作目录>\逐段时间轴.md" --open
- 自研转换器（python-docx）：标题/表格（表头深蓝底白字+斑马纹）/代码块（等宽灰底）/引用块/列表/行内加粗全支持，中文微软雅黑，A4 页面
- 输出同名
.docx，--open自动打开；用户没提也要转（Word 便于转发和二次编辑）
第 7 步：反推拍摄脚本（用户要求"反推/还原脚本"时执行，否则询问）
python "<skill目录>\scripts\script_brief.py" "<工作目录>"
脚本把 segments.json + windows.json 聚合成 script_brief.md（每窗口播合并、窗内镜头数、开场/结尾逐秒帧、镜头密度 TOP5）。然后 Claude 据此 + 看帧结论撰写《还原脚本.md》：
- 片头信息：片名/时长/镜头总数/平均镜头时长/机位清单/出镜人物
- 分镜脚本总表：
| 镜号 | 时间码 | 时长 | 景别/机位 | 画面内容 | 口播台词 | 字幕/花字 | 后期备注 |—— 逐窗填写；口播台词以转写为底稿、用画面字幕校正，无法确认的字句标(? - 黄金3秒逐秒分镜：0-6 秒逐秒拆（帧+花字递进+口播）
- 快剪节奏说明：引用镜头密度 TOP5，说明该视频的剪辑呼吸感
- 拍摄清单：场地/机位/道具/出镜人（从画面证据归纳）
- 后期清单：花字系统分层/包装元素/音乐节奏点
- 最后同样跑
md2docx.py生成《还原脚本.docx》并打开
写完把两个文件都 Invoke-Item 给用户，并提示："想套用这条结构拍自己的视频，告诉我你的选题，我按这个分镜骨架帮你写新脚本。"
工作目录约定
默认 D:\VideoAnalysis\<视频ID>\：video.mp4、segments.json、frames\、逐段时间轴.md、逐段时间轴.docx。
环境依赖（check_env.py 自动处理）
- Python 3.10+（用户机为 3.13.1，已设为默认）、FFmpeg（D:\FFmpeg\bin，脚本自动加入 PATH）
- pip 包：openai-whisper / selenium / yt-dlp / librosa（清华镜像）
- msedgedriver：优先复用
D:\VideoAnalysis\driver\msedgedriver.exe，缺失时自动按本机 Edge 版本下载 - 无需管理员权限，全用户级安装
