Video To Article Agent Skill

视频转图文（视频 → 笔记/文章）

> 把视频复用成图文内容：转录 → 结构化成篇 → 抽帧配图。转录与抽帧走确定性脚本

> （asr.py / video_ops.py），结构化成文由你（LLM）完成——这是本 SKILL 的核心价值。

> 只出字幕文件见 auto-subtitle；翻译字幕见 subtitle-translate；

> 出成套小红书卡片见 xhs-note-creator；纯文案润色见 text-polisher。

输入

| 字段 | 必填 | 说明 |

|------|------|------|

| 视频文件 | 是 | 口播/讲座/直播/Vlog（没给就问） |

| 目标形态 | 否 | 小红书笔记（默认）/ 公众号文章 / 知乎回答 / 通用图文 |

| 配图数量 | 否 | 从视频抽几张配图（默认 3-6，按内容节点） |

输出（outputs/主题名/）

• article.md — 成篇图文（标题 + 正文 + 小标题/要点 + 金句 + 话题标签）
• assets/frame-*.jpg — 抽取的配图
• assets/transcript.txt / assets/transcript.json — 转录原文与时间轴（备查）

执行步骤

脚本路径（相对项目根）：skills/shared/scripts/asr.py、skills/shared/scripts/video_ops.py。

1. 语音转录（带时间轴）

python skills/shared/scripts/asr.py transcribe -i input.mp4 --format json \
  -o outputs/主题名/assets/transcript.json
python skills/shared/scripts/asr.py transcribe -i input.mp4 --format txt \
  -o outputs/主题名/assets/transcript.txt

（首次跑 ASR 需外网代理下模型，见 auto-subtitle 前置说明。）

2. 结构化成图文（你来做）

读转录，按目标形态改写成图文，不是照抄口语：

• 提炼结构：口语流水账 → 清晰的标题 + 3-6 个小标题/要点段落。
• 去口水：删"然后、就是、那个"等口头禅，书面化但保留个人风格。
• 抓金句：把视频里最有价值的观点提成金句/加粗句。
• 按形态适配：小红书（emoji、短段、闺蜜语气、话题标签）/ 公众号（成文、有起承转合）/

知乎（专业、有逻辑链）。字数与排版参考 post-formatter / social-content 规范。

• 写入 article.md，并在文中标注"【配图1：xx画面 @ 02:15】"指明每张配图对应的视频时间点。

3. 抽取配图

按第 2 步标注的时间点，逐个抽帧：

python skills/shared/scripts/video_ops.py frame -i input.mp4 \
  -o outputs/主题名/assets/frame-01.jpg --time 00:02:15 --width 1080

挑画面清晰、有信息量的时间点（避免糊帧/转场帧）。

4.（可选）成套卡片

需要做成小红书卡片组时，把 article.md 交给 xhs-note-creator 或 card-xiaohongshu。

Profile 感知

• 有 Profile：目标形态默认按 platforms.md 主平台；语气/称呼/emoji 尺度贴合 style.md；

话题标签贴合账号垂类；合规底线遵守 preferences.md。

• 无 Profile：默认小红书笔记形态 + 中性口语风，末尾提示可提供 Profile 定制语气。

规则

• 是改写不是照搬转录——口语要书面化、结构化，去口水词。
• 配图从视频真实画面抽取，时间点由内容决定，避免糊帧。
• 不编造视频里没有的信息；转录不清处标注"[听不清]"而非臆测。
• 保留说话人的核心观点与个人风格，别改成千篇一律的 AI 腔（可再过 text-polisher）。
• 最终 article.md 放 outputs/主题名/，转录和抽帧等中间件放 outputs/主题名/assets/。

参考来源

视频→图文是创作者复用内容的高频需求（一鱼多吃）。转录用 faster-whisper（asr.py），配图用

ffmpeg 抽帧（video_ops.py frame），成文结构化交给 LLM——把确定性 IO 与创意改写分层。