Video to Article 全能视频转图文工作流

这个技能用于把视频内容转换成可读、可复用的图文笔记，偏重实际可落地的生产流程。

安全边界与执行原则

默认先走只读预览模式，不要一上来就下载、写文件、执行脚本或提交 Git。

只读预览模式

适用于用户只想：
- 看视频是否可下载
- 获取元信息
- 评估转录方案
- 规划截图和文章结构
- 基于字幕做总结、问答、术语提取

在这个模式下：
- 不下载视频
- 不写入 Vault 或仓库
- 不执行生成脚本
- 不做 git commit 或 git push

执行模式

只有在用户明确确认后，才允许执行以下有副作用的操作：
- 下载视频或字幕
- 使用 Cookie / 登录态
- 写入 Obsidian Vault、课程目录或仓库
- 执行 _batch_screenshots.sh 这类生成脚本
- 修改 index.md、写日志、git commit
- git push

明确限制

• 如果用户没有明确给出输出目录，不要擅自写入默认路径
• 如果内容涉及付费、私有或登录后资源，先确认用户有权访问
• 不要在回复、日志、笔记或仓库中泄露 Cookie、Token 或其他认证信息
• 对任何将要执行的 shell 脚本，先展示用途、输出路径和关键命令，再执行
• git push 必须单独确认，不能视为默认收尾步骤

核心能力矩阵

模式 A：单视频转图文笔记

常见触发词

只有在用户明确表达“要落盘执行”时再触发完整工作流，例如：

• “把这个视频整理成可落盘的图文笔记”
• “下载视频并生成 Obsidian 图文文章”
• “把整个课程目录批量导入成文章”
• “基于字幕生成学习材料，但不要修改本地文件”

如果用户只是说“总结一下视频”或“帮我看看讲了什么”，优先走只读分析，不要自动进入下载和写文件流程。

工作流

Step 1：识别平台和认证需求

Bilibili Cookie 导出示例：

# 将浏览器 Cookie 导出成 Netscape 格式
python3 path/to/bili_cookie_to_netscape.py

Cookie 安全要求：
- Cookie 属于敏感认证信息，等同于登录态
- 仅在用户明确授权访问其账号可见内容时使用
- 不要把 Cookie 写入仓库、笔记、日志或聊天输出
- 如果只是公开内容预览，优先先尝试无 Cookie 方案

Step 2：解析视频 ID 并获取元信息

# 解析 Bilibili 短链
VIDEO_ID=$(curl -sL "https://b23.tv/XXXXX" -o /dev/null -w "%{url_effective}" | sed 's/.*\/video\///;s/[\/?].*//')

# 不下载直接读取元信息
yt-dlp --no-download --print "%(title)s|%(duration)s|%(uploader)s" "<URL>"

Step 3：下载视频

这是有副作用操作。只有在用户明确同意下载，并且已经确认输出目录后再执行。

实用默认策略：
- 小于 4 分钟：优先 1080p
- 大于等于 4 分钟：优先 720p

# 先查看可用格式
yt-dlp -F "<URL>"

# 下载（Bilibili 需要时加 --cookies）
mkdir -p "<TEMP_DIR>/<VIDEO_ID>"
yt-dlp -o "<TEMP_DIR>/<VIDEO_ID>/video.%(ext)s" \
  -f "<chosen-format-id>" --merge-output-format mp4 "<URL>"

Step 4：用 Whisper 转录

如果用户只是要摘要或问答，优先复用现有字幕或已有转录，不要默认重新下载并转录整段视频。

python3 << 'PYEOF'
from faster_whisper import WhisperModel
model = WhisperModel("base", device="cpu", compute_type="float32",
                     download_root="<CACHE_DIR>")
segments, _ = model.transcribe("<TEMP_DIR>/<ID>/video.mp4", language="zh", beam_size=5)
with open("<TEMP_DIR>/<ID>/transcript.txt", "w") as f:
    for seg in segments:
        f.write(f"[{seg.start:.1f}s - {seg.end:.1f}s] {seg.text.strip()}\n")
PYEOF

语言建议：
- 中文：language="zh"
- 英文：language="en"
- 自动识别：省略语言参数

模型取舍：
- tiny：最快
- base：推荐默认
- small：更准但更慢

Apple Silicon 加速：
- device="mps", compute_type="float16"

Step 5：先分类内容，再规划截图

先根据转录内容判断视频类型，再决定截图密度。

截图时间点经验：
- 讲演类：标题画面、引出核心概念、每个主要论点首帧、金句时刻、结尾
- 教程类：每个关键步骤变化、UI 切换、结果展示画面
- 避免截图：填充性口播、画面没变化的 talking head、重复画面

命名规范：
- 使用英文 kebab-case
- 使用两位数字前缀
- 例如：01-intro.jpg、02-core-concept.jpg

Step 6：批量抽帧

这是文件写入操作。执行前先确认截图输出目录和命名规则。

VIDEO="<TEMP_DIR>/<ID>/video.mp4"
OUTDIR="<TEMP_DIR>/<ID>/screenshots"
mkdir -p "$OUTDIR"
ffmpeg -y -ss <seconds> -i "$VIDEO" -frames:v 1 "$OUTDIR/01-intro.jpg"

Step 7：生成图文笔记

这是持久化写入操作。只有在用户明确要求写入 Vault 或指定目录后再执行。

mkdir -p "<VAULT>/assets/video/<VIDEO_ID>"
cp <TEMP_DIR>/<ID>/screenshots/*.jpg "<VAULT>/assets/video/<VIDEO_ID>/"

推荐笔记结构：

---
title: <核心主题>
source: <Bilibili|YouTube|...>
author: <作者>
type: 文献笔记
tags: [视频笔记, <主题标签>]
created: <YYYY-MM-DD>
---

# <作者>：<标题>

> **来源**：<平台> @<作者>

## 核心洞见
1-2 段概括

![[../../../assets/video/<ID>/02-xxx.jpg]]

## <分节标题>
...
![[../../../assets/video/<ID>/xxx.jpg]]
> "<转录中的引用原文>"

## 行动清单
- [ ] ...

## 金句
> ...

## 相关笔记
- [[已有笔记]] - 关联原因

图片引用格式：

![[../../../assets/video/<ID>/<filename>.jpg]]

Step 8：把笔记接入知识库

默认只给出关联建议。只有在用户明确要求更新知识库时，才执行全文搜索和实际写入动作。

find "<VAULT>" -name "*.md" | xargs grep -li "<core keyword>"

Step 9：提交并推送

这一步必须拆开处理：
- git add / git commit 仅在用户明确要求版本化本次结果时执行
- git push 必须单独确认，不能默认执行

cd "<VAULT>" && git add -A && git commit -m "video note: <title>" && git push

模式 B：基于字幕学习

常见触发词

“学习这个字幕”、“总结这个转录”、“根据这个字幕出题”、“整理术语”、“考考我这个视频”

输入来源

学习模式

B1：知识提取（默认）

输出结构化学习指南，包括：
- Key Concepts
- Key Takeaways
- Examples
- Glossary

B2：章节摘要

按主题切换拆章，每章总结 2-3 句。

主题切换信号：
- 过渡语，例如 “Now let's talk about...”
- 大于 5 秒的长停顿
- 突然引入大量新术语

B3：关键词汇表

提取领域术语、高频词、明确定义的概念和缩写。输出表格包含：
- 术语
- 需要时的翻译
- 上下文解释
- 出现位置

字幕预处理

原始字幕文件通常大部分都是元数据，先清理再分析。

import re
def strip_srt(srt_text):
    lines = srt_text.split('\n')
    result = []
    for line in lines:
        line = line.strip()
        if re.match(r'^\d+$', line): continue
        if re.match(r'^\d{2}:\d{2}:\d{2}', line): continue
        if not line: continue
        result.append(line)
    return ' '.join(result)

常见陷阱

• 字幕非常大：分块读取，单次最好不超过 1500 行
• ASR 误识别：标记为 [possible transcription error]
• 内容强依赖视觉：标记为 [visual content here]
• 多人对话：自动字幕可能会把说话人混在一起

模式 C：大型课程批量导入

六阶段流程

Phase 1：目录分析

遍历课程目录，建立如下结构：

{Section: [video list]}

课程名和课时名要按数字前缀精确匹配。

Phase 2：字幕预处理

使用 scripts/preprocess-srt.py：
1. 修改课程配置
2. 运行脚本
3. 读取 _preprocessed/section-<slug>.txt

如果用户只想先评估课程结构或输出效果，先展示计划，不要立即批量写文件。

Phase 3：截图规划

使用 scripts/plan-screenshots.py 根据时长和内容类型决定截图点。

预期输出：
- _screenshot_plan.json
- _batch_screenshots.sh

Phase 4：批量截图

_batch_screenshots.sh 属于生成脚本。执行前必须：
1. 预览脚本内容
2. 确认输出目录仅落在预期课程或资源目录
3. 获得用户对执行批处理命令的明确确认

bash _batch_screenshots.sh

顺序运行更稳。ffmpeg 比较吃 CPU，不建议并发抽帧；如果用户未确认，也不要默认后台启动。

Phase 5：并行写文章

子代理上下文写法会强烈影响 token 浪费情况，遵守这三条：

1. 明确说明截图已经准备好，不要重复验证
2. 提供完整的 slug 到 label 映射，不让子代理自己算名字
3. 明确列出哪些课不放截图

示例上下文：

context = """
用英文写课程笔记。

Input: _preprocessed/section-01.txt

All screenshots are already prepared. Do not verify files.
Reference them directly as:
  ![[../../../assets/<course>/<slug>-<label>.jpg]]

Slug table (each slug has overview/detail/result unless noted otherwise):
- Installation -> installation (3 images)
- Intro -> intro (no screenshots)

Density: Intro gets no screenshots. Other lessons get 3 screenshots each.

Output: sources/<course>/section-01-xxx.md
"""

并行分配建议：
- 最多 3 个子代理
- 每个子代理最多 4 个 section

Phase 6：收尾

1. 只允许主代理更新 index.md
2. 写导入日志
3. 如用户明确要求，再提交到 Git

这里涉及仓库文件修改，默认应先展示将要变更的文件范围，再执行实际写入。

前置条件

• yt-dlp：下载视频
• ffmpeg：音频处理和截图
• faster-whisper：语音转录
• 一个最好由 Git 管理的 Obsidian Vault
• git：版本控制和同步

环境检查：

which yt-dlp ffmpeg 2>&1
python3 -c "from faster_whisper import WhisperModel; print('OK')" 2>&1

路径约定

排错