1实现原理 · 为什么它能做到

先定位 skill 根目录，之后所有命令都经 scripts/transcript.py 执行。

skills/video-transcript/SKILL.md

被触发时你必须先定位自己,跑这段:

这里在做什么：解决 skill 被装到非标准路径时的自定位问题。

执行前先做意图分流：只要下载则改走 video-download，意图不明先询问。

skills/video-transcript/SKILL.md

在跑任何下载/转录命令前,先判断用户要的是哪一种:

这里在做什么：把「下载」与「转录」两条路径分开，避免误触发。

首次或报错时先跑 --doctor 体检，缺项引导跑 install.sh。

skills/video-transcript/SKILL.md

第一次跑或者遇到报错时,先做体检:

这里在做什么：把依赖/配置问题挡在转录之前。

启动 headless 浏览器探测，拿标题、时长与视频/音频直链并打印评估表。

skills/video-transcript/SKILL.md

0. **探测** — 启动 headless 浏览器,拿标题、时长、视频/音频直链;打印 📊 评估表 + 预估耗时

这里在做什么：先探测再下载，顺带给用户等待预期。

总时长超过 8 分钟自动切成 6 分钟/段，规避被模型概括成摘要。

skills/video-transcript/SKILL.md

2. **长视频切片** — 总时长 > 8min 自动切成 6min/段,避免被模型概括成摘要

这里在做什么：用切片保证长视频仍然逐字转录。

用 ffmpeg 把视频压缩到目标 30MB，并按时长自动选分辨率。

skills/video-transcript/SKILL.md

3. **压缩** — ffmpeg,目标 30MB;按时长自动选分辨率,一次到位

这里在做什么：控制上传体积以满足模型接口限制。

逐段调用豆包视频理解 API，用严格逐字 prompt 转录。

skills/video-transcript/SKILL.md

4. **转录** — 豆包视频理解 API,严格逐字 prompt(保留口语词、网络梗、停顿)

这里在做什么：模型直接听音频转录，无需独立 ASR。

合并各段输出并自动修正段头时间戳偏移。

skills/video-transcript/SKILL.md

5. **合并** — 长视频合并各段输出 + 自动调整段头时间戳偏移

这里在做什么：把分段转录拼回成一篇连续逐字稿。

强制 agent 复述评估表给用户等待预期，并完整展示逐字稿全文。

skills/video-transcript/SKILL.md

**你必须立刻把它复述给用户**,告诉他:

这里在做什么：用输出纪律对抗「只报保存路径」的偷懒行为。

平台前端改版导致抓取失败被当常态，配 FALLBACK.md 人工兜底。

skills/video-transcript/SKILL.md

| 平台前端改版导致抓取失败 | 看 `$VT_HOME/FALLBACK.md` 走人工兜底 |

这里在做什么：给抓取失败留一条可操作的人工退路。

2核心能力

01多平台视频源支持（B站/抖音/小红书/YouTube/视频号/本地）

02headless 探测与评估表输出

03长视频自动切片防概括

04ffmpeg 压缩与分辨率自适应

05豆包视频理解 API 严格逐字转录

06语义分段 + 段落级时间戳输出格式

07stdout 直出 + 落盘双通道

08doctor 体检与故障排查指引

09微信视频号桥接 video-download

3外部依赖

Kind	Dependency / Endpoint
cli	ffmpeg / ffprobe
package	yt-dlp>=2024.3.10
package	playwright>=1.40
api	豆包 / 火山方舟视频理解 API
network	B站 / 抖音 / 小红书 / YouTube 等平台
cli	video-download（视频号桥接，可选依赖）

4管控建议与判定依据

建议配套管控措施

面向 Agent

隔离环境，逐次授权

面向管理者

严格授权、全量审计、合规确认

判定依据（文件路径与关键语句摘要）

SKILL.md / 脚本参数: 包含绕过自动化检测、关闭宿主沙箱或跳过 SSL 证书校验
scripts/: 执行本地脚本或命令: scripts/transcript.py（主流程）
网络端点: 声明外部网络访问: headless 浏览器访问 B站/抖音/小红书/YouTube 页面取直链
本地工作目录: 文件读写与工件输出: $VT_HOME/.env（API Key，chmod 600）

审计说明： 红色：scripts/platform_extractor.py 启动 Chromium 时传入 `args=["--disable-blink-features=AutomationControlled"],`，并显式 add_init_script 将 navigator 的 webdriver 置为 undefined（源码注释 `# 反 webdriver 检测`，语句 `Object.defineProperty(navigator, 'webdriver', { get: () => undefined });`）——属技术性绕开平台自动化侦测，按六档范式（red=绕过防护/反自动化检测绕过，且不看是否为默认路径）判红，与 notebooklm-skill、baoyu-post-to-x 先例一致。此外 skill 还读 .env 的 DOUBAO_API_KEY 并把用户视频/音频内容送豆包后端生成（命中橙色特征），但红档优先。判红为能力/策略级提示，非疑似恶意植入：代码可读、无混淆、无硬编码密钥、无向非预期对象外发。

5第二遍独立确认

[ok] 流程步骤完整性 — SKILL.md 阶段 0–5 与 README『架构』流程（探测→评估表→下载→切片→转录→合并→输出）一致。
[ok] 依赖声明 — requirements.txt 与 install.sh 的 pip / playwright 安装点一致。
[ok] 安装脚本性质 — bootstrap.sh 三档兜底（npx / git sparse-checkout / tarball）+ install.sh 均为用户主动运行的安装向导。
[ok] 反自动化证据 — 回源 scripts/platform_extractor.py 确认 --disable-blink-features=AutomationControlled 与隐藏 navigator.webdriver 的语句真实存在。
[ok] 凭证读取范围 — 仅读 $VT_HOME/.env 的 API Key，install.sh 写入后 chmod 600。
[ok] 外发对象 — 平台页与豆包 API 均为声明用途所需，未见向非预期第三方的回传。
[ok] 产物落盘 — .gitignore 屏蔽 .env 与 outputs/，逐字稿落 $VT_HOME/outputs/。
[ok] 档位复核 — 反自动化检测绕过硬证据 → red；同含凭据读取与外发特征，红档优先。