---

name: video-to-text description: "视频转文字。用户发抖音分享链接（获取标题/作者/点赞等元数据），或本地视频文件（语音转写全文）时使用。抖音链接用 SSR 解析无需 Cookie。Video to text: extract metadata from Douyin share links, or transcribe speech from local video files." category: media-content license: MIT

Video-to-Text 视频转文字

把视频变成可复制、可搜索的文字。支持抖音分享链接（元数据，无需登录）和本地视频文件（语音转写）。

触发条件

用户发送以下内容时使用本技能：

• 抖音分享链接，要求"转文字""提取文案""拆解视频"
• 本地视频文件（.mp4/.mov），要求"语音转文字""字幕"

使用步骤

1. 抖音分享链接 → 元数据

python3 scripts/vtt.py "https://v.douyin.com/xxxx/"

• 输出元数据（标题/作者/点赞/标签）
• 注意：分享链接当前只提取元数据——语音转写请让用户保存视频后走本地文件（步骤 2）

2. 本地视频文件 → 语音转写

python3 scripts/vtt.py 本地视频.mp4

• 自动提取音频、faster-whisper 转写（中文）
• 转写文本保存为 <输入名>_transcript.txt 并打印时间戳分段

依赖（首次使用时安装）

pip3 install faster-whisper        # 转写需要（首次会下载 tiny 模型 ~75MB）
# macOS 自带 avconvert；Linux 需 ffmpeg
# 抖音 SSR 解析零依赖（curl + 标准库）

已知陷阱

• duration_ms=0 假阴性：SSR 元数据时长可能为 0，但实际是视频。若元数据显示 0 秒且有下载 URL，先下载验证，不要直接判定为图文。
• play_addr URL 过期：SSR 解析出的视频 URL 可能 404，此时需 Cookie 降级或让用户提供文件。
• whisper 转写慢：Intel Mac 上 3 分钟视频约 5 分钟；转写必须加 language='zh' 否则自动检测多花 1-2 分钟。
• 图文内容：duration=0 且下载文件 <1MB 时是图文（无音频），只输出元数据，不要编造内容。