视频文字稿提取方法
核心理念
视频的核心信息通常在语音中。文字稿提取的本质是从视频载体中剥离语音信息并结构化——先判断语音是否承载核心信息，再选择最高效的提取路径（CC字幕优先，Whisper兜底），最后按语义逻辑分段整理为可阅读的结构化文档。
CC字幕是UP主精心校对的，准确率接近100%；Whisper语音识别准确率约85-95%。有CC字幕时绝对优先用字幕，无字幕时才走Whisper。
适用范围广泛。 任何有语音的在线视频（B站、YouTube、抖音、播客、会议录像）都可以用本方法提取文字稿。
提取三步法
第一步：视频源定位与字幕检测
- 解析视频URL：识别平台（B站/YouTube/抖音/其他）、提取视频ID
- 获取元信息：标题、作者、播放量、发布时间、时长
- 检测CC字幕：查询是否有可用字幕（
yt-dlp --list-subs）
- 有中文字幕（zh-Hans/zh）→ 直接下载字幕，跳过Whisper
- 无字幕（danmaku是弹幕，不算字幕）→ 进入第二步
第二步：音频提取与语音识别
- 下载音频轨：
yt-dlp -f "bestaudio" --extract-audio --audio-format mp3
- 音频轨一般不受画质/会员限制
- SSL证书问题：设置ssl._create_default_https_context = ssl._create_unverified_context - Whisper语音识别（仅在无CC字幕时执行）：
| 模型 | 大小 | 中文效果 | 适用场景 |
|---|---|---|---|
| tiny | 39M | 差 | 快速预览 |
| base | 74M | 一般 | 短视频(<5min) |
| small | 244M | 较好 | 一般视频 |
| medium | 1.5G | 好 | 推荐（默认） |
| large | 3G | 最佳 | 长视频/专业需求 |
默认使用medium模型；FP16不支持时自动降级FP32。
第三步：语义分段与要点提炼
- 去噪：去除重复内容、语气词、无意义段落
- 语义分段：按内容逻辑分段（非固定时长），每段有独立主题
- 章节标注：为每段生成章节标题和时间范围
- 要点提炼：提取核心观点，整理为要点表格
- 金句提取：提取原文中的关键金句
- 格式化输出：生成.txt（微信兼容）或.md文件
验证清单
提取完成后逐项验证，五项全部通过才算完成：
| # | 验证项 | 说明 |
|---|---|---|
| 1 | ⬜ 内容完整性 | 覆盖视频的全部语音内容，无遗漏段落 |
| 2 | ⬜ 时间戳准确 | 时间戳与视频实际进度对应（误差≤3秒） |
| 3 | ⬜ 语义分段合理 | 按内容逻辑分段，非机械按时间切割 |
| 4 | ⬜ 要点提炼准确 | 要点总结忠实反映视频核心观点，无曲解 |
| 5 | ⬜ 格式规范 | 输出格式符合目标平台要求 |
领域要求清单
T0-01 视频源定位
- 必选组件: 视频URL、平台识别（B站/YouTube/抖音/其他）、BV号/视频ID
- 可选组件: 视频标题、UP主/作者、播放量、发布时间、时长
- 组装顺序: URL解析→平台识别→视频ID提取→元信息获取→信息确认
- 约束: URL格式必须合法；平台必须被yt-dlp支持
- 格式: 结构化信息块（Markdown）
T0-02 CC字幕检测与提取
- 必选组件: 字幕可用性判定（是/否）、字幕语言、字幕格式
- 可选组件: 字幕文件内容
- 组装顺序: 字幕列表查询→可用语言判定→中文字幕优先→字幕下载→格式转换
- 约束:
danmaku弹幕不算字幕；未登录时可能无法获取CC字幕 - 格式: SRT/JSON字幕文件或直接文本
T0-03 音频提取
- 必选组件: 音频文件（mp3格式）、音频时长、文件大小
- 可选组件: 音频质量、采样率
- 组装顺序: 音频轨选择→下载→格式转换→文件验证
- 约束: 音频轨不受画质限制；SSL问题需绕过；下载失败时重试1次
- 格式: mp3文件
T0-04 语音识别转录
- 必选组件: 转录文本（带时间戳）、识别语言、模型选择
- 可选组件: 识别置信度
- 组装顺序: 模型选择→音频输入→转录执行→时间戳对齐→结果输出
- 约束: 默认使用medium模型；长视频分段处理
- 格式: 带时间戳的文本
T0-05 语义分段与整理
- 必选组件: 分段后文字稿（按内容逻辑分段）、章节标题、每段时间范围
- 可选组件: 关键词标注
- 组装顺序: 原始转录→去噪→语义分段→章节标题标注→时间范围对齐
- 约束: 分段基于语义而非固定时长；每段应有独立主题；时间范围必须连续覆盖
- 格式: 结构化Markdown
T0-06 要点提炼与输出
- 必选组件: 要点总结表格（方法/要点+核心思路+具体操作）、金句提取、输出文件
- 可选组件: 延伸阅读建议
- 组装顺序: 全文通读→核心观点提取→要点表格生成→金句提取→格式化输出→文件保存
- 约束: 要点必须忠实原文，不可曲解；金句必须是原文原话
- 格式: .txt（微信兼容）或 .md
领域范本
TF-01 文字稿提取范本
对应任务: T0-01 ~ T0-06
适用场景: 任何在线视频需要提取为结构化文字稿
提取范本:
## 文字稿提取记录
### Step 1：视频源定位（T0-01）
**视频URL**：________
**平台**：________（B站/YouTube/抖音/________）
**视频ID**：________
| 字段 | 值 |
|------|-----|
| 标题 | ________ |
| 作者 | ________ |
| 播放量 | ________ |
| 发布时间 | ________ |
| 时长 | ________ |
### Step 2：字幕检测（T0-02）
**CC字幕可用**：⬜是 / ⬜否
**字幕语言**：________
**提取路径**：⬜CC字幕直接提取 / ⬜Whisper语音识别
### Step 3：音频提取与识别（T0-03/T0-04）
**音频文件**：________
**识别模型**：________（tiny/base/small/medium/large）
### Step 4：语义分段（T0-05）
| 章节 | 时间范围 | 主题 | 核心内容 |
|------|---------|------|---------|
| ________ | [00:00-03:15] | ________ | ________ |
| ________ | [03:15-08:42] | ________ | ________ |
| ... | ... | ... | ... |
### Step 5：要点提炼（T0-06）
| 方法/要点 | 核心思路 | 具体操作 |
|-----------|---------|---------|
| ________ | ________ | ________ |
| ________ | ________ | ________ |
**金句**: "________"
**输出文件**：________（.txt/.md）
范本要点:
- 有CC字幕绝对优先，无字幕才走Whisper
- 语义分段按内容逻辑而非固定时长
- 要点必须忠实原文，金句必须是原话
- 验证五项必须全部通过
- ________ 为待用户提供的内容，不可AI编造
工具链
音频下载（yt-dlp）
yt-dlp -f "bestaudio" --extract-audio --audio-format mp3 -o "<output_dir>/audio.%(ext)s" "<视频URL>"
CC字幕检测
yt-dlp --list-subs "<视频URL>"
元信息获取
通过WebFetch获取视频标题、作者、播放量等元信息。
语音识别（Whisper）
使用scripts/transcribe.py执行Whisper语音识别。
使用规则
- 判断是否值得提取：检查视频语音是否承载核心信息
- 按三步执行：视频源定位→音频提取与识别→语义分段与提炼
- 产出交付：按领域要求清单逐项填充，或按TF-01范本结构替换实际内容
- 用户主权：AI产出的文字稿是起点，用户对分段、要点、金句有调整权
事实纪律
- 视频平台支持范围必须基于yt-dlp实际能力，不得夸大
- Whisper识别准确率标注为"参考范围"，实际效果取决于音频质量
- 涉及版权的内容提取必须提醒用户注意版权合规
- 要点提炼必须基于实际转录内容，不可凭空编造
