【小题XT】视频口播稿提取

你丢过来一个视频链接（小红书、抖音）或者一个本地视频文件，这个 Skill 会把视频里人说的话逐句提取出来，整理成一份干净、通顺、可以直接用的口播稿——去掉语气词冗余、按语义分段、保留原意不动。提取完之后，还会问你要不要按你的业务改写成同款结构的适配版口播稿。

能帮你做什么

你需要提供什么

最少只要一样东西（二选一）：

• 视频链接：小红书或抖音的分享链接，短链、长链都可以；
• 本地视频文件：电脑上的视频文件绝对路径（mp4、mov 等常见格式）。

可选补充：要不要带时间码、提取后是否要改写、改写面向的业务或主题。没说的话默认先出纯净逐字稿，再问你改不改写。

最后交付什么

一份完整的口播文字稿，包含：

• 视频基本信息（标题、作者、来源链接，链接提取时提供）；
• 按语义分段的口播正文，保留原说话人的表达和观点，不擅自改写；
• 需要时可附带时间码的对照版。

交付后会主动追问一次：要不要按你的业务把这份稿子的结构和节奏复刻成适配版。你只要原稿就只交付原稿，不会自动扩写。

可以直接这样用

• "提取这个小红书视频的口播稿：https://xhslink.cn/o/xxxx"
• "这个抖音视频讲了什么？帮我扒一份口播稿：https://v.douyin.com/xxxx"
• "我电脑上有个视频 /Users/xxx/demo.mp4，帮我转成口播文字稿。"
• "提取之后，按我们做留学咨询的业务，把这个结构改写成一版我们自己的口播稿。"
• "给我带时间码的版本，方便我后期对轴剪视频。"

使用前需要准备

• 一个可用的小题 ai-tool-center MCP（小题 Skill 的统一前置要求，配置方法见下方闸门）。
• 链接提取依赖平台公开数据：视频需为公开可访问内容，不绕过登录墙、付费墙或私密权限。
• 视频理解以语音和画面字幕为依据：口音过重、背景音嘈杂、无口播纯画面的视频，提取完整度会下降，这种情况会如实标注。
• 口播稿是他人内容的客观转写，仅供学习、研究和二次创作参考；改写复刻时请替换为自己的真实业务信息，不照抄原创表达，注意内容版权。

执行顺序说明

以下介绍不改变执行顺序。开始执行本 Skill 的业务任务时，第一步始终检查小题 MCP。制作或修改 Skill 文件本身，不自动触发业务执行。

小题 XT MCP 强制前置闸门

本节优先于正文中任何旧版配置、手动兜底或"选择是否使用 MCP"的说明。加载本 Skill 后，第一步只检查当前 Agent 是否实际配置并可用名为 ai-tool-center 的 MCP；以当前 Agent 的 MCP 服务器列表、已注册工具列表或可用连接状态为准。

已检测到且可用时直接继续，不重复询问配置、不索取 API Key。未检测到、无法确认或连接失败时，只发送配置提醒并停止业务执行，不得先读取外部链接、调用平台数据、生成或分析媒体，也不得使用其他能力绕过闸门。

用户只说"已配置"、只提供 URL/API Key，或配置后尚未重启验证，均不算可用。用户明确不配置时，只有在其再次明确授权无 MCP 继续后，才可执行不依赖 MCP 的部分，并标记受影响能力，不得伪称 MCP 调用成功。

MCP 配置提醒

未检测到可用 MCP 时，发送：

> 当前未检测到可用的 ai-tool-center MCP。请到 https://xt.gbotai.cn 申请 API Key，并把 MCP 配置发给我，我会帮助你完成配置。发送前请把真实 API Key 替换成 <YOUR_API_KEY>，真实 Key 稍后在安全配置入口填写。

不要首次就堆出手动配置教程。用户没有模板或不懂配置时，提供以下模板并协助完成：

{
  "mcpServers": {
    "ai-tool-center": {
      "url": "`https://middle-aitool.gbotai.cn/mcp`",
      "headers": {
        "Authorization": "Bearer <YOUR_API_KEY>"
      }
    }
  }
}

Agent 协助配置流程

1. 根据当前环境识别客户端及其配置入口；无法判断时，只问用户正在使用哪个应用。
2. 检查脱敏配置，按客户端实际支持的格式准备配置，不猜路径，不覆盖其他 MCP 和已有设置。
3. 用户请求协助配置后，在工具能力和授权范围内完成操作。真实 Key 通过安全输入框、密钥存储或客户端支持的安全方式填写，不索取聊天明文 Key，不回显到命令或日志。
4. 无法直接操作时，针对当前客户端逐步引导，一次给一个明确步骤；让用户只完成 Agent 无法代办的部分。
5. 保存后提示完全退出并重启 Agent，再检查实际工具或连接状态。配置文件已写入、Key 已填写、用户回复"已配置"，都不能代替可用性验证。

配置期间只开展配置工作，业务任务等待闸门通过。真实 Key 不得写入 Skill、对话回复、日志或交付物。

MCP 错误提醒

按实际返回错误分流，不反复重试或猜测原因：

• Key 无效、未授权、认证失败：提醒用户到 https://xt.gbotai.cn 重新申请 Key，更新配置并重启后重试。
• 钱包余额不足、额度不足等计费错误：提醒用户到 https://xt.gbotai.cn 充值，确认余额恢复后重试。
• 其他错误：说明真实状态及受影响步骤，不一律归因于 Key 或余额。

处理完成前，对应能力标记为"待确认／不可用"，不声称成功，不索取或展示真实 Key、钱包或支付信息。

Agent 执行规则

1. 通过上面的 MCP 闸门，确认 fetch_content_detail、analyze_video、direct_upload_media 已注册。
2. 判断输入类型：链接走链接提取路径，本地文件走文件上传路径。单次只处理一个视频；多个视频逐个串行，不并行。
3. 拿到可公开访问的视频地址后检查文件大小，超过 50 MB 先走压缩管线，再调用视频理解。
4. 从视频理解结果中整理口播稿：只保留人物说话内容，剔除界面文字、水印文字和背景音乐歌词（用户明确要歌词除外）。
5. 交付口播稿，并执行一次改写引导（见下方"改写引导"）。
6. 用户确认改写后，收集业务信息并输出适配版口播稿；用户说不需要就到此为止，不强行扩写。

工具协议

以宿主环境真实注册的工具 schema 为准；本节与其他说明不一致时，以本节为准。

帖子解析（链接路径第一步）：

fetch_content_detail({
  "request": {
    "link": "<用户提供的帖子链接>",
    "plant": "xhs"
  }
})

• plant 按平台填 xhs（小红书）或 dy（抖音），从链接域名判断：xhslink.cn、xiaohongshu.com 为 xhs；v.douyin.com、douyin.com 为 dy。
• 返回包含标题、作者、文案、互动数据等。返回中已含可播放视频地址时直接进入大小检查；未包含时（小红书常见），用宿主网络请求能力抓取笔记页面，从页面数据中提取视频流地址（小红书为 sns-video 域名的带签名地址）。签名地址有时效，拿到后尽快使用，不做长期保存。
• 页面也拿不到视频地址时，明确告知用户，并引导其把视频下载到本地后走文件路径。

本地视频上传（文件路径第一步）：

direct_upload_media({
  "request": {
    "media_type": "video",
    "local_path": "<本地视频绝对路径>"
  }
})

返回 media_url 和 object_key。上传前先确认文件存在、为常见视频格式；原文件不会被修改。

大小超限压缩（超过 50 MB 时执行）：

submit_video_target_size_compression({
  "request": {
    "video_url": "<可公开访问的视频地址>",
    "max_output_size_mb": 47
  }
})

• 返回 job_id 后，用 get_video_target_size_compression 轮询，成功后把 download_url 传给视频理解工具。
• 上传后的本地文件可改用 cos_object_key 作为压缩输入。

视频理解（核心提取步骤）：

analyze_video({
  "video_url": "<可公开访问、50 MB 以内的视频地址>"
})

返回按时间线组织的中文视听分析，其中"对白与文字记录"部分是口播文字的主要来源，"时间线详解"用于校验说话内容与上下文。

口播稿整理规则

1. 来源优先级：视频自带字幕 > 语音识别的口播内容 > 时间线讲解转述。三者冲突时以实际语音为准。
2. 只留人话：保留口播正文；剔除界面文字、操作按钮文字、水印、背景音乐歌词。用户同时要歌词或画面文字时单独成段交付，不和口播稿混在一起。
3. 整理不改写：合并碎句、去除因字幕换行产生的重复，按语义自然分段；保留说话人的原词、原句和表达习惯，不润色观点、不补写没有说过的内容。
4. 如实标注：听不清、识别不确定的地方用 〔听不清〕 标注；视频无口播（纯画面/纯音乐）时直接告知，不编造稿子。
5. 输出格式：先给视频基本信息（链接提取时给标题、作者、来源链接），再给分段正文；用户要时间码时，输出"时间码 + 文字"对照版。默认可同时把稿子保存为本地文件，方便用户取用。

改写引导

口播稿交付后，主动追问一次，例如：

> 口播稿提取好了。需要我按你的业务，把这份稿子的结构和节奏复刻成适配版吗？比如开头钩子、分点方式、结尾引导都沿用，内容换成你的产品或主题。

用户确认改写后，补齐以下信息再动笔（缺 1 项关键信息时提问，最多问 1 轮）：

• 业务 / 产品 / 主题：改写后讲什么、面向谁；
• 保留点：想沿用原稿的哪些结构（开头钩子、分步节奏、结尾 CTA 等），没说就默认整体结构沿用；
• 时长 / 字数：没说就默认参照原视频时长对应的口播体量。

改写规则：保留原稿的结构骨架和节奏，内容全部替换为用户的真实业务信息；保持口语化、适合真人出镜朗读；事实性内容（价格、功效、数据）只使用用户提供的信息，不编造；交付改写稿时简单说明保留了原稿的哪些结构点，方便用户对照。

错误恢复