设计与多媒体

Bilibili Video Parser

把B站视频链接一键转成中文字幕连贯稿 + 结构化 HTML 分析报告。优先使用 CC 字幕秒出结果，无字幕时本地 faster-whisper 转写，不需要任何 API key。

它能做什么

B站视频解析-把B站视频链接（bilibili.com/video/BVxxx 长链或 b23.tv 短链）转成中文字幕连贯稿和交互式 HTML 报告。原理：B站公开 API 获取元数据+cid -> 优先尝试CC字幕API（有字幕直接用，跳过转写）-> 无字幕时下载音频流 -> 本地 faster-whisper（base 模型、CPU、int8）转写 -> 本地规则提取分析 -> 生成交互式 HTML 报告（含一句话总结、金句卡片、核心观点、结构拆解、内容判断、内容亮点六大模块）。免费，不依赖任何 API key 或 cookie 登录。一条命令出连贯稿（无时间戳）+ 可视化 HTML 报告。

技能文档

B站视频解析（本地版）

这条 skill 解决什么

经常需要"读"B站视频里的内容——判断对账号有没有用、提炼观点、做素材库。但 AI 模型本身不能听音频，必须借工具。这条 skill 就是那套工具的固化。

核心做法：

从B站链接提取 BV号
走 api.bilibili.com/x/web-interface/view 公开 API 获取元数据（标题/UP主/时长/cid）
优先尝试CC字幕：走 api.bilibili.com/x/player/v2 获取CC字幕，有则直接用，跳过转写（秒出）
无CC字幕时：走 playurl API 拿 DASH 音频流直链，用 Python 标准库 urllib 下载（不依赖外部 curl）
用 faster-whisper（CPU、int8、base 模型）转写
输出连贯稿（无时间戳）
本地规则提取：无 API Key 时通过关键词密度、段落结构和数字线索提取分析
生成 HTML 报告：始终生成一份交互式 HTML 报告，含六大模块

不需要：ffmpeg 外部命令、yt-dlp、curl、cookie、登录、API key。 faster-whisper 自带的 PyAV 已经能读 m4a 抽音轨。 B站CC字幕可直接从 API 获取时，完全跳过转写，速度极快。

Required Capabilities（权限声明）

以下权限均为执行B站链接解析任务所必需的最小权限。仅在用户明确提供B站链接（bilibili.com / b23.tv）时才触发，不执行任何与本任务无关的系统操作。

能力	用途	触发条件	最小化说明
网络请求	访问 api.bilibili.com 获取视频元数据、CC字幕、音频流直链	用户提供B站链接时	仅访问 bilibili.com 域名，不向任何第三方发送数据
网络请求（下载）	下载音频流文件（DASH格式，仅音频）	视频无CC字幕时	仅下载音频流，不下载视频画面；请求头含 Referer: bilibili.com
网络请求（模型）	首次运行时从 HuggingFace 下载 whisper base 模型（~74 MB）	首次转写、模型未缓存时	下载到系统临时目录后缓存，之后不再重复下载
Python 子进程	运行 faster-whisper 转写脚本（CPU、int8）	无CC字幕、需转写时	仅调用 faster-whisper 库，无外部命令行调用
文件读写	保存连贯稿 txt 文件、写入 HTML 报告	转写/字幕获取完成后	输出到脚本 work/ 目录（可用 --out-dir 指定受控目录）
临时文件	在系统 temp 目录存放音频文件和 whisper 模型	下载/转写期间	音频转写完成后自动删除（--keep-audio 可保留）

不执行的操作：不读取用户本地任意文件、不访问B站以外的任意 URL（HuggingFace 模型下载除外）、不发送数据到任何第三方服务、不上传用户数据。

环境准备（AI 执行前必须检查）

收到B站链接后，第一步不是直接跑脚本，而是先检查环境：

1. 检查 Python

python3 --version

2. 检查 faster-whisper 是否已安装

python3 -c "import faster_whisper; print('ok')"

如果报 ImportError，立即安装：

pip3 install faster-whisper

首次运行脚本时会自动从 HuggingFace 下载 base 模型（~74 MB）到系统临时目录，之后不再重复下载（模型已缓存）。

3. curl 检查

不需要。脚本全部使用 Python 标准库 urllib，不依赖外部 curl。

一行命令用法

环境就绪后，直接跑：

python3 scripts/transcribe.py "https://www.bilibili.com/video/BV1Mu3y6NEzT"
# 或短链
python3 scripts/transcribe.py "https://b23.tv/xxx"
# 或直接传 BV号
python3 scripts/transcribe.py "BV1Mu3y6NEzT"

脚本会输出：

MMDD--连贯稿.txt（无时间戳，纯文本）
MMDD--报告.html（交互式 HTML 报告）
连贯稿前 500 字摘要（打印到终端，完整内容见连贯稿文件；如需全文打印加 --print-transcript）

如果视频有CC字幕，会直接使用字幕数据，跳过 Whisper 转写，速度极快（秒出）。

AI 深度分析注入（推荐）

脚本内置的本地规则提取（local_analysis）只是兜底，质量有限。AI Agent 跑完脚本后，应自己读连贯稿做深度分析，再用 --analysis-json 注入，重新生成高质量报告：

# 1. AI 读连贯稿 → 产出 analysis.json（结构见下）
# 2. 注入 AI 分析，重建 HTML（跳过下载/转写，秒出）
python3 scripts/transcribe.py "<链接>" \
  --from-transcript "MMDD--连贯稿.txt" \
  --analysis-json "MMDD--analysis.json"

analysis.json 结构（与 local_analysis 返回一致）：

{
  "summary": "一句话总结",
  "key_points": ["观点1", "观点2"],
  "structure": {
    "type": "口播科普",
    "breakdown": {"开头钩子": "...", "核心论点": "...", "论据案例": "...", "结尾收束": "..."}
  },
  "quotes": [{"text": "金句1", "context": ""}],
  "judgment": {"stance": "立场", "credibility": "可信度", "takeaway": "可借鉴点"},
  "highlights": [{"name": "亮点名", "desc": "说明", "tag": "标签"}]
}

注意：whisper 转写文本常没有中文标点（空格分隔），local_analysis 已内置无标点降级切分，但 AI 深度分析仍建议基于连贯稿文件人工阅读后再写。

HTML 报告内容

报告为单文件 HTML，打开即可直接浏览，包含六大模块：

模块	说明
Hero 区	视频标题 + UP主 + 时长
一句话总结	智能提取核心观点，关键词高亮
金句卡片	2-3 句适合二次传播的金句
深度解析（胶囊书架）	点击展开四张胶囊卡片
- 核心观点	3-6 条核心观点，编号列表
- 结构拆解	开场/核心/结尾分区
- 内容判断	立场/可信度/可借鉴点
- 内容亮点	观点排行列表

报告使用系统字体栈（不依赖外部字体 CDN），所有用户内容均经 HTML 转义防止 XSS。

转写后的后处理（AI 必须执行）

拿到连贯稿和 HTML 报告后，AI 不要只甩出文件就结束。 先读取 MMDD--连贯稿.txt 文件的完整内容（终端默认只打印前 500 字摘要，不要依赖终端输出），再按以下结构输出分析，并把分析写成 JSON 注入回 HTML（--analysis-json，见上节，这样报告才是可发布级的，不要留脚本的兜底分析）：

一句话总结

用一句话概括这个视频在讲什么。

核心观点（3-5 条）

提取视频中表达的 3-5 个核心观点，每条一句话

结构拆解

根据视频类型，选择对应的结构框架来拆：

如果是口播/观点类：

结构	内容
开头钩子	视频前 5 秒用了什么话术抓住注意力
核心论点	主要在讲什么
论据/案例	用了什么例子支撑
结尾/CTA	最后怎么收的，有没有引导行动

如果是知识/教程类：

结构	内容
主题	这期在教什么
步骤拆解	按顺序列出教学步骤
关键提醒	有没有强调注意事项
适用场景	适合什么人/什么场景用

如果是测评/推荐类：

结构	内容
痛点切入	开头怎么戳中用户痛点
产品卖点	列出提到的卖点
信任背书	用了什么方式建立信任（数据/案例/权威）
转化路径	怎么引导用户下单/关注/点击

金句提取

挑出 2-3 句适合二次传播的金句（有传播力、有观点、有情绪）

内容判断

立场分析：UP主站在什么立场（创作者/消费者/平台/品牌方）
可信度：观点有没有数据支撑，还是纯主观判断
可借鉴点：对我们的内容生产有没有参考价值，具体能借鉴什么

已知限制

whisper base 模型对中文繁简会随机选——常见错别字示例："护身符"被识别成"护成盒"。
- 内容理解不受影响，但写最终稿前要人工修。
- 如果要更准，把模型换成 small 或 medium（更慢、更准）：
```
python3 scripts/transcribe.py "<链接>" --model small
```
b23.tv 短链偶尔有反爬，长链（bilibili.com/video/BVxxx）更稳。短链失败时手动从浏览器拷贝长链。
视频大于 20 分钟时建议改用 medium 模型，base 在长视频上准确率会掉。
部分视频可能无CC字幕，此时走 Whisper 转写，耗时与视频时长成正比（base 模型约 1:1 速度）。
大会员专享/付费视频无法下载音频流，脚本会报错退出。
脚本已支持跨平台（Windows/macOS/Linux），临时文件使用系统 temp 目录，不依赖 /tmp/。
HTML 报告的本地规则提取不如 LLM 精准，如需更深分析建议 AI 结合连贯稿做后处理。

调用提醒

收到B站视频链接时，第一反应不是去浏览器截图、不是去硬装 yt-dlp。直接：

python3 scripts/transcribe.py "<链接>"

然后读输出目录里的连贯稿文件（完整内容在文件里，终端只打印摘要），按"先看UP主站在哪儿（立场）→ 再看跟我们阶段/数据对不对得上 → 最后才说能不能用"的顺序判断。不要直接跳进内容里去结构化。

安全声明

联网行为（如实声明）：本技能需要联网——每次运行访问 api.bilibili.com 获取视频信息和（可选）CC字幕；无CC字幕时从B站 CDN 下载音频流；首次运行从 HuggingFace 下载 whisper 模型（~74 MB）。不是纯离线工具
隐私提醒：转写内容会写入本地 txt/HTML 文件，且视频链接、标题会出现在终端输出中。请勿在共享/受监控环境中解析隐私敏感视频；如需控制输出位置，用 --out-dir 指定目录
终端输出：默认只打印连贯稿前 500 字摘要，不打印全文，避免敏感语音内容进入终端回滚和日志；确需全文打印时显式加 --print-transcript
网络边界：仅访问 api.bilibili.com（获取视频信息/字幕/音频直链）和B站 CDN（下载音频流），HuggingFace（首次模型下载），不发送任何数据到第三方服务
无 API Key：整个流程不需要任何 API key、cookie 或登录态
HTML 安全：生成的 HTML 报告中所有从视频内容提取的文本均经过 html.escape() 转义，使用 data-* 属性 + 事件委托替代 inline onclick，防止 XSS
无外部字体：HTML 报告使用系统字体栈，不依赖 Google Fonts 或其他外部字体 CDN
临时文件清理：音频文件在转写完成后自动删除（除非 --keep-audio）