/video-translate — Video Übersetzung & Transkription
Fähigkeiten & Absichtserkennung (muss strikt befolgt werden)
- Transkribieren und Dokument ausgeben: Untertitel oder Audio extrahieren → Markdown-Dokument ausgeben (bevorzugt mit Untertiteln, schnell und kostenlos).
- Video übersetzen: Transkription → Übersetzung verfeinern → chinesische Untertitel einbrennen → Videodatei mit Untertiteln + Markdown-Dokument ausgeben.
Entscheidungsregeln:
- Sagt der Benutzer „transkribieren“, „in Text umwandeln“, „Dokument ausgeben“, „als Markdown speichern“ → Nur Markdown-Dokument generieren („Nur Dokument“-Ablauf).
- Sagt der Benutzer „übersetzen“, „Video übersetzen“, „Untertitel hinzufügen“, „Untertitel einfügen“ → Muss die vollständige Übersetzungspipeline ausführen (Audio extrahieren → Whisper-SRT-Transkription → Übersetzung verfeinern → Untertitel in Video einbrennen → gleichzeitig Markdown generieren) und darf nicht nur mit der Ausgabe eines Dokuments enden.
- Eingabe ist eine URL → Zuerst herunterladen, dann verarbeiten; lokaler Dateipfad → direkt verarbeiten.
Python-Interpreter: Alle Befehle in dieser Fähigkeit verwenden das Windows-Kommando python. Auf macOS/Linux durch python3 ersetzen.
SKILL_DIR ermitteln (vor dem Ausführen eines Befehls ausführen)
Setze SKILL_DIR auf den absoluten Pfad des Verzeichnisses, in dem diese SKILL.md-Datei liegt, die Skripte befinden sich immer in SKILL_DIR/scripts/. Führe zuerst die Sicherheitsprüfung aus:
SKILL_DIR="<Absoluter Pfad des Verzeichnisses der gelesenen SKILL.md-Datei>"
if [ ! -f "$SKILL_DIR/scripts/transcribe_srt.py" ]; then
echo "FEHLER: Skripte nicht gefunden unter SKILL_DIR=$SKILL_DIR" >&2
exit 1
fi
Schritt -1: Ausgabeverzeichnis ermitteln (⛔ ZWINGEND, vor allem anderen)
Bevor irgendein Befehl ausgeführt/irgendeine Datei geschrieben wird, muss zuerst die Konfiguration gelesen werden, um output_dir als <Ausgabestamm> zu erhalten:
python -c "import sys; sys.path.insert(0, r'${SKILL_DIR}/scripts'); import config; c = config.load_translate_config(); config.ensure_output_root(c['output_dir']); print(c['output_dir'])"
- Die Konfigurationsdatei befindet sich in
~/.config/video-skills/translate.json(beim ersten Mal kannpython "${SKILL_DIR}/scripts/setup.py"ausgeführt werden, um eine Vorlage zu erstellen). output_dirmuss ein absoluter Pfad sein oder mit~beginnen. Fehlt er oder ist er ungültig, gibt der obige Befehl einen Fehler aus – Sofort anhalten, den Benutzer auffordern, die Datei zu bearbeiten und einen absoluten Pfad einzufügen, nicht automatisch mit einem Standardwert fortfahren.- Zwischenprodukte werden immer nach
<Ausgabestamm>/tmp/geschrieben, Endprodukte (Video, Markdown) nach<Ausgabestamm>/data/. - ⛔ Alle
<Ausgabestamm>/...im Text müssen vor der Ausführung durch den echten absoluten Pfad ersetzt werden; es ist verboten, Platzhalter so wie sie sind in Befehle zu übernehmen (würde in das aktuelle Verzeichnis schreiben, was sich als „willkürliches Speichern“ äußert). - Nur wenn der Benutzer explizit einen „absoluten Pfad für die Ausgabe“ angibt und bestätigt, darf in den benutzerdefinierten Pfad geschrieben werden.
Führe gleichzeitig eine Umgebungsprüfung durch (gemeinsam mit /watch, Stille = bestanden):
python "${SKILL_DIR}/scripts/setup.py" --check
Bei Fehlschlag führe python "${SKILL_DIR}/scripts/setup.py" aus, um Abhängigkeiten zu installieren (ffmpeg/yt-dlp werden automatisch installiert; für die Transkriptions-Engine pip install faster-whisper). Weitere Installationsdetails bei Fehlern in references/Installationsanleitung.md nachlesen.
Pipeline-Übersicht
Eingabe (URL / lokale Datei)
│
▼
Schritt 0 Untertitel-Typ Gate (Übersetzungspipeline muss zuerst bestätigen: Chinesisch / Zweisprachig)
Schritt 1 Download + Audio extrahieren → <Ausgabestamm>/tmp/
Schritt 2 Whisper Wort-für-Wort Transkription zu einer SRT → <Ausgabestamm>/tmp/<Name>.srt
Schritt 3 Übersetzung & Verfeinerung (von dir ausgeführt, 8 Regeln) → <Name>-zh.srt (zweisprachig mit zwei Zeilen/Eintrag)
Schritt 4 Untertitel einbrennen (+ optionales Wasserzeichen) → <Ausgabestamm>/data/<Titel>-Untertitel.mp4
Schritt 4.5 Frame-Validierung (≥2 Frames)
Schritt 5 Markdown-Transkript generieren → <Ausgabestamm>/data/
Nur-Dokument-Szenario überspringt Schritt 0/3/4 und folgt dem Abschnitt „Nur Dokument“.
Schritt 0: Untertitel-Typ bestätigen (⛔ GATE, muss von der Übersetzungspipeline zuerst ausgeführt werden)
- Chinesische Untertitel: Nur die chinesische Übersetzung anzeigen (sauberes Bild).
- Zweisprachige Untertitel (Chinesisch/Englisch): Chinesisch oben (große Schrift), Englisch unten (kleine Schrift).
Hat der Benutzer im Dialog den Untertitel-Typ explizit angegeben (persönlich „Chinesisch“, „zweisprachig“, „bilingual“ usw. gesagt) → Wie vom Benutzer angegeben ausführen. In allen anderen Fällen → Muss AskUserQuestion verwenden, um Optionen anzuzeigen:
AskUserQuestion(
question="Untertitel-Typ auswählen",
options=["Chinesische Untertitel (nur Chinesisch anzeigen)", "Zweisprachige Untertitel (Chinesisch oben, Englisch unten)"]
)
⛔ Umgehung verboten: Der in ARGUMENTS enthaltene Untertitel-Typ gilt nicht als Benutzervorgabe – nur das, was der Benutzer persönlich im Dialog sagt, zählt. Mit Schritt 1 beginnen, ohne die Option anzuzeigen, ist ein Verfahrensfehler. subtitle_type in translate.json ist nur ein Standardwert und ersetzt nicht die Benutzerbestätigung.
Schritt 1: Download + Audio extrahieren
Quelle ist eine URL (einheitlich über Skript – integrierter Browser-Cookie-Automatismus für YouTube 403/SABR/PO-token und Bilibili-Anmelde-Wall):
# Vollständiges Video (Übersetzungspipeline benötigt das Video selbst zum Einbrennen)
python "${SKILL_DIR}/scripts/download.py" "<Video-URL>" "<Ausgabestamm>/tmp/dl"
# Nur Dokument und kein Einbrennen nötig → nur Audio, schneller
python "${SKILL_DIR}/scripts/download.py" "<Video-URL>" "<Ausgabestamm>/tmp/dl" --audio
- Das Skript gibt JSON aus (video_path / subtitle_path / info.title).
- Erster Versuch ohne Cookies. Wenn das Produkt nicht gespeichert wird, automatischer Wiederholungsversuch mit
--cookies-from-browser chrome. Wenn der häufig verwendete Browser nicht Chrome ist:--browser firefox/--browser edgehinzufügen. - Bei weiterem Fehlschlag (stärkerer Schutz) → Den Benutzer auffordern, einen Proxy zu wechseln (
--proxy http://127.0.0.1:7890) und es erneut zu versuchen, nicht endlos wiederholen. - Bei langen Videos (>10 Minuten) nicht
--download-sectionsvon yt-dlp verwenden (lädt zuerst das vollständige Video herunter und schneidet es dann zu, extrem langsam); lade das vollständige Video direkt herunter. Wenn ein Ausschnitt benötigt wird, verwende ffmpeg-ss.
Audio extrahieren (lokale Datei oder heruntergeladenes Video → mp3):
ffmpeg -y -i "<Videodatei>" -vn -acodec libmp3lame -q:a 2 "<Ausgabestamm>/tmp/<Dateiname>.mp3"
Schritt 2: Whisper Wort-für-Wort Transkription zur Quell-SRT
⛔ Ehernes Gesetz: Die Quell-SRT zum Einbrennen der Untertitel darf NUR durch Whisper Wort-für-Wort Transkription erstellt werden. Es ist VERBOTEN, automatische Untertitel der Plattform (yt-dlp --write-auto-subs) als Zeitquellen zu verwenden. Grund: YouTube-Autountertitel sind im Scroll-Overlay-Format (jeder Eintrag enthält den Text des vorherigen), was es unmöglich macht, saubere einzelne Sätze mit genauen Zeitstempeln zu extrahieren. Das Ergebnis wäre mit Sicherheit nicht synchron. Wort-für-Wort-Zeitstempel sind die einzig zuverlässige Zeitquelle.
python "${SKILL_DIR}/scripts/transcribe_srt.py" "<Ausgabestamm>/tmp/<Dateiname>.mp3" \
--output "<Ausgabestamm>/tmp/<Dateiname>.srt"
# Bei Sprachfehlerkennung / mehrsprachigen gemischten Spuren mit --language en (oder zh/ja/…) erzwingen
- Standard-Engine = lokales faster-whisper (Wort-für-Wort Zeitstempel, keine API-Kosten, lädt das Modell beim ersten Start automatisch von HuggingFace herunter).
- Falls faster-whisper nicht installiert werden kann → Nach Setzen von
GROQ_API_KEY/OPENAI_API_KEY--engine apihinzufügen (API Wort-für-Wort Fallback, teilt dieselbe Satzsegmentierungslogik mit der lokalen Route). Wenn die API keine Wort-für-Wort Zeitstempel zurückgibt, reduziert das Skript auf Segment-Ebene und meldet auf stderr deutlich „Untertitelgenauigkeit reduziert“ – teile dies dem Benutzer mit. - ⛛ Schreibe im Dialog KEINEN Python-Code zur Transkription – Das Skript segmentiert nach „Satz + Pause“ (Segment als Basis / Aufteilung nach Wort erst bei >6s / Zusammenführung nur bei <400ms). Das Umgehen des Skripts und das eigene Schreiben einer gierigen Segmentierung würde den Schwanz von Satz A und den Anfang von Satz B in denselben Frame quetschen (praktische Fallstricke, behoben).
--max-line-mssteuert die maximale Dauer eines Eintrags (Standard 6000ms),--pause-mssteuert die Pausenschwelle für die Satztrennung (Standard 500ms).
Schritt 3: Übersetzung & Verfeinerung (von dir ausgeführt – das ist LLM-Arbeit, kein Skript)
Lies die Quell-SRT aus Schritt 2 ein, übersetze und verfeinere Eintrag für Eintrag, und gib die verfeinerte SRT nach <Ausgabestamm>/tmp/<Dateiname>-zh.srt aus. Deine Rolle: Professioneller Untertitel-Text-Redakteur, spezialisiert auf chinesisches Schreiben, natürliche Wiedergabe von Sprache und Untertitel-Formatierungsstandards.
8 Regeln zur Verfeinerung (Kern)
- ASR-Erkennungsfehler korrigieren: Homophone/ähnlich klingende Zeichen, Eigennamenschreibweisen (z. B. Claude als Cloud erkannt, MCP als NCP), Zahlen/Abkürzungen/Einheiten. Verwende das Videobild zur Unterstützung.
- Interpunktion & Schriftsprache: Füge zuerst Interpunktion hinzu, um gesprochene Sprache in Schriftsprache zu überführen (Behalte den Tonfall des Sprechers bei). Entferne jedoch am Ende alle Satzzeichen aus dem Untertiteltext (Kommas, Punkte, Fragezeichen, Ausrufezeichen – alle weg). Füge zwischen Chinesisch und Englisch ein Leerzeichen ein (z. B.:
这是 Google 的产品). - Redundanz entfernen: Entferne inhaltsleere Füllwörter, Wiederholungen, Fülllaute („那个”, „呃”, „就是说”) und stelle die semantische Kontinuität sicher. Lieber etwas redundant sein als die Bedeutung zu verlieren.
- Zeitstempel-Ausrichtung (streng): Die ursprünglichen Zeitstempel genau beibehalten, nicht willkürlich verschieben. Verschiebe NIEMALS manuell die Startzeit vor (sonst erscheinen die Untertitel, bevor der Sprecher spricht). Beschneidung bei übermäßiger Anzeigedauer: Ein Eintrag mit einer Zeitspanne >6 Sekunden und kurzem Text = Whisper hat Stille/Hintergrundmusik nach der Sprache mit in denselben Abschnitt einbezogen. Verwende ffmpeg Stille-Erkennung, um das Ende der Sprache genau zu lokalisieren, keine Formelschätzung:
Nimm das ersteffmpeg -i <Audio> -ss <start> -to <end> -af silencedetect=n=-30dB:d=0.5 -f null - 2>&1 | grep silence_startsilence_start(addiere den Start-Offset) als beschnittenes Ende; wenn der gesamte Abschnitt Sprache enthält, nicht beschneiden. Ein Eintrag >8 Sekunden mit langem Text kann in mehrere Einträge aufgeteilt werden, wobei die Zeitstempel angemessen im ursprünglichen Bereich verteilt werden. Verbinde benachbarte Einträge NICHT, erlaube nur Aufteilungen; nummeriere nach der Aufteilung neu; Überschneidungen von Zeitstempeln sind verboten. - Satzbau & Absätze: Kernprinzip Teilen erlaubt, Zusammenführen verboten. Ein Eintrag der Quelle entspricht einem Eintrag der Übersetzung. Bei mehr als 12 Zeichen nach semantischen Pausen in zwei Einträge aufteilen (Zeitstempel proportional verteilen). Überwiegend einzeilig, jede Zeile ≤12 chinesische Zeichen (inkl. Leerzeichen und Englisch). An Stellen mit natürlichen Sprechpausen umbrechen, vollständige Phrasen nicht auf zwei Zeilen verteilen. Lieber mehrere kurze Zeilen als viele Zeilen auf dem Bildschirm.
- Eigennamen: Personennamen/Ortsnamen/Firmen/Produkte im Original belassen (Großbuchstabe am Anfang); technische Begriffe auf Englisch belassen (API, GPU, AI, ASR); allgemein bekannte Marken nicht übersetzen (Google, iPhone, YouTube); bei obskuren Begriffen kann beim ersten Auftreten eine kurze chinesische Erklärung in Klammern hinzugefügt werden.
- Sprachstil: Zeitgemäße Jugendsprache; Internet-Slang/umgangssprachliche Ausdrücke natürlich und bodenständig übersetzen, Übersetzungsdeutsch vermeiden („Das ist sehr aufregend” → „Das ist echt cool”). Erzählerstimme in prägnanter Schriftsprache, Dialog/Liedtexte umgangssprachlich halten.
- Liedtexte: Mit ♪ einschließen (
♪ Liedtext ♪), Betonung auf Atmosphäre und Reim, nicht wortwörtlich übersetzen. Beim Wechsel mit Erzählerpassagen sicherstellen, dass der Zuschauer den Unterschied erkennen kann.
Ausgabeformat (strenge SRT)
1
00:00:00,000 --> 00:00:03,500
Dies ist der Inhalt des ersten Untertitel-Eintrags
2
00:00:03,500 --> 00:00:07,200
Dies ist der Inhalt des zweiten Untertitel-Eintrags
Nummerierung fortlaufend ab 1; Zeitstempel HH:MM:SS,mmm (Komma für Millisekunden); Text ohne Satzzeichen; Leerzeichen zwischen Chinesisch und Englisch; Leerzeilen zwischen Einträgen; Leerzeile am Dateiende.
Zweisprachiger Modus (wenn der Benutzer in Schritt 0 zweisprachig ausgewählt hat)
Erstelle eine „zweisprachige SRT": Jeder Eintrag zwei Zeilen – Chinesisch oben, Englisch (Original) unten, Zeitstempel entsprechen der Quell-SRT eins zu eins (nicht neu segmentieren, nicht zusammenführen; die Quelle schneidet, wie sie will, die Übersetzung folgt). Chinesische Zeilen wie gehabt ohne Satzzeichen, standardisierte Begriffe; englische Zeilen das Original belassen (nur ASR-Erkennungsfehler korrigieren):
1
00:00:19,239 --> 00:00:21,239
Wie geht es euch?
Hello everyone, how are you?
Lange Videos (>10 Minuten) parallele Segmentverarbeitung
Bei vielen Untertitel-Einträgen parallele Verarbeitung in Segmenten: Jedes Segment ca. 500 Einträge, ein Developer führt Unteraufgaben parallel aus, übersetzt, führt zusammen und nummeriert neu. Nach der Zusammenführung globale Überprüfung: Keine Zeitstempelüberlappungen, keine Lücken, fortlaufende Nummerierung, semantische Kohärenz, Formatkonformität.
⛔ Kein Stopp in der Pipeline: Führe nach Abschluss der Verfeinerung sofort Schritt 4 (Einbrennen) aus, kein Zwischenbericht, kein Warten auf Benutzerbestätigung. Die gesamte Pipeline meldet sich erst nach vollständiger Fertigstellung aller Endprodukte (Video + Markdown) einmalig.
Schritt 4: Untertitel einbrennen (+ optionales Wasserzeichen)
Einheitlich über burn.py – nicht von Hand ffmpeg-Befehle zusammenbauen. Das Skript behandelt zentral: Escape von Windows-Pfaden im Filter (C:\a.srt → 'C\:/a.srt', selbst gebastelt oft falsch), Audio-Zwangskonvertierung zu AAC (Opus-Spur von yt-dlp führt zu Fehlern beim Hochladen auf X/WeChat/Weibo, ⛛ -c:a copy VERBOTEN), Wasserzeichen fontfile-Auflösung und Zeitpunktverteilung, Untertitel + Wasserzeichen im selben -vf-Durchgang (vermeidet doppelten Qualitätsverlust).
Chinesisch nur (SRT direkt einbrennen):
python "${SKILL_DIR}/scripts/burn.py" "<Videodatei>" \
--subs "<Ausgabestamm>/tmp/<Dateiname>-zh.srt" \
--output "<Ausgabestamm>/data/<Video-Titel>-Chinesische-Untertitel.mp4"
Zweisprachig (Chinesisch/Englisch) (zuerst zu ASS konvertieren, dann einbrennen – ⛛ MUSS über ASS gehen):
python "${SKILL_DIR}/scripts/bilingual_ass.py" "<Ausgabestamm>/tmp/<Dateiname>-zh.srt" \
--output "<Ausgabestamm>/tmp/<Dateiname>-zh.ass" [--cn-size N] [--height Video-Höhe]
python "${SKILL_DIR}/scripts/burn.py" "<Videodatei>" \
--subs "<Ausgabestamm>/tmp/<Dateiname>-zh.ass" \
--output "<Ausgabestamm>/data/<Video-Titel>-Chinesische-Untertitel.mp4"
- ⛔ Warum ASS für Zweisprachigkeit notwendig ist: Der
subtitles-Filter von force_style FontSize gilt für den gesamten Eintrag und erlaubt nicht, innerhalb eines Eintrags Chinesisch groß und Englisch klein zu setzen; Inline{\fsN}in SRT wird vom ffmpeg-SRT-Decoder entfernt (in Tests haben drei verschiedene Schriftgrößen identische MD5-Summen ergeben). Nur echtes ASS, das an libass übergeben wird, kann\N-Zeilenumbrüche + Inline-Schriftgrößenwechsel innerhalb eines Eintrags.bilingual_ass.pyist genau dafür da, schreibe kein ASS von Hand. - Schriftgröße: Wenn der Benutzer im Dialog eine explizite chinesische Schriftgröße angibt (z. B. „Schriftgröße 24“) →
--cn-size 24übergeben, Englisch wird automatisch als Chinesisch/1,7 berechnet; wenn nicht angegeben → Skript wählt Standard basierend auf Auflösung. Chinesisch : Englisch ≈ 1,7 ist das in Tests ermittelte saubere Kontrastverhältnis. - ⛔ ASS FontSize/MarginV sind relative Werte bezogen auf PlayResY=288, keine Pixel. libass skaliert automatisch mit der Videoauflösung. Skaliere die Schriftgröße nicht linear mit der Auflösung (1080p 17 mal 2 würde auf 4K den halben Bildschirm füllen); MarginV=N in 1080p entspricht tatsächlich ungefähr N×3,75px vom unteren Rand (MarginV=110 ≈ Bildmitte, nicht 110px), nicht nach Pixelgefühl einstellen.
Wasserzeichen (standardmäßig deaktiviert; aktiviert durch settings.watermark_enabled: true in translate.json oder auf Benutzerwunsch):
python "${SKILL_DIR}/scripts/burn.py" "<Videodatei>" --subs <Untertitel> \
--watermark-text "<Wasserzeichentext>" --output <Ausgabe>
Zeitpunkte automatisch nach Dauer verteilt (<30min 3x 4s / 30-60min 5x 5s / >60min alle 15 Minuten 1x 10s; Anfang und Ende fest), Deckkraft 0,28, 0,5s Ein-/Ausblenden, obere linke Ecke. Parameter können mit --watermark-opacity/--watermark-fontsize usw. überschrieben werden; im Dialog angegebene Parameter haben Vorrang vor der Konfigurationsdatei.
Ausweichen bei vorhandenen festen Untertiteln am unteren Rand des Originalvideos: Neue Untertitel müssen nach oben verschoben werden, um die alten nicht zu überdecken:
# Einzeilige feste Untertitel
python "${SKILL_DIR}/scripts/burn.py" <Video> --subs <Untertitel> --avoid-hardsub single ...
# Zweizeilige oder dynamisch zeilige (Ein Eintrag 1 Zeile, einer 2 Zeilen) → nach 2 Zeilen ausweichen; etwas höhere chinesische Position bei 1-Zeilen-Abschnitten ist akzeptabel
python "${SKILL_DIR}/scripts/burn.py" <Video> --subs <Untertitel> --avoid-hardsub double ...
Die Ausweichwerte (single=MarginV 42/FontSize 19, double=MarginV 60/FontSize 19) sind Erfahrungswerte. Wenn die Frame-Validierung fehlschlägt, mit --margin-v um ±3-5 nachjustieren und neu brennen.
Wenn du dir beim endgültigen Befehl unsicher bist, führe zuerst --dry-run aus, um den Befehl zu überprüfen, bevor du ihn tatsächlich ausführst.
Schritt 4.5: Frame-Validierung (⛔ ZWINGEND, ≥2 Frames)
Nach dem Brennen müssen Frames extrahiert und mit Read überprüft werden, um Folgendes zu bestätigen: Untertitel werden vollständig angezeigt, überdecken keine vorhandenen festen Untertitel, der Schriftgrößenkontrast bei Zweisprachigkeit ist deutlich, Chinesisch zeigt keine Rechtecke (fehlende Schriftart):
ffmpeg -y -i "<Ausgabevideo>" -ss <Zeitpunkt1> -vframes 1 "<Ausgabestamm>/tmp/check1.jpg"
ffmpeg -y -i "<Ausgabevideo>" -ss <Zeitpunkt2> -vframes 1 "<Ausgabestamm>/tmp/check2.jpg"
Wenn eine Ausweichoption erforderlich ist, wähle für die beiden Frames Zeitpunkte mit 1-zeiligen und 2-zeiligen Originaluntertiteln aus. Nur wenn beide Frames nicht überlagert werden, gilt es als bestanden. Nur einen Frame zu überprüfen und dann auszuliefern, ist eine Falle, in die man getappt ist. Bei Problemen mit --margin-v/--font-size nachjustieren und neu brennen, dann erneut validieren.
Schritt 5: Markdown-Transkript generieren
Allgemeine Regeln (alle Szenarien):
- Den transkribierten Text lesen (SRT ohne Nummerierung und Zeitstempelzeilen oder den von
vtt_to_text.pybereinigten Text), den Originaltext WEDER hinzufügen, löschen noch ändern, nur Interpunktion, Satzzusammenführung und Absätze. Der gesamte Inhalt muss vollständig abgedeckt werden, nichts darf ausgelassen werden. - Chinesischer Inhalt: Kurze Sätze zusammenführen, Interpunktion standardisieren, nach Semantik in Absätze unterteilen → 1 Datei
<Ausgabestamm>/data/<Video-Titel>-Chinesisch.mdausgeben. ⛔ Für chinesischen Inhalt ist die Verwendung von Übersetzungsregeln STRENGSTENS UNTERSAGT. - Nicht-chinesischer Inhalt: Zuerst das Transkript in der Originalsprache als
<Ausgabestamm>/data/<Video-Titel>-Original.mdgenerieren (ebenfalls keine Hinzufügungen, Löschungen oder Änderungen). Dannreferences/Erweiterte-Transkriptionsregeln.mdlesen und gemäß dessen Regeln<Ausgabestamm>/data/<Video-Titel>-Chinesisch.mderstellen (erweiterter Artikelstil, keine Satz-für-Satz-Übersetzung). - Front Matter enthält nur
title,source_url.
Nur-Dokument-Szenario (Benutzer möchte nur Transkription/Dokument, KEINE Untertitel eingebrannt)
- Videos mit Untertiteln: zuerst Untertitel extrahieren (kostenlos und am schnellsten; ⛔ NUR für die Dokumentenausgabe – für das Einbrennen von Untertiteln ist dieser Weg VERBOTEN, siehe eisernes Gesetz in Schritt 2):
Der bereinigte reine Text spart etwa die Hälfte der Tokens. Liespython "${SKILL_DIR}/scripts/download.py" "<Video-URL>" "<Ausgabestamm>/tmp/dl" --captions-only python "${SKILL_DIR}/scripts/vtt_to_text.py" "<Ausgabestamm>/tmp/dl/<Untertitel>.vtt" --output "<Ausgabestamm>/tmp/cleaned.txt"cleaned.txtund befolge Schritt 5 zur Dokumentenerstellung. - Keine Untertitel → Audio herunterladen (
--audio) →transcribe_srt.pytranskribieren → SRT ohne Nummerierung und Zeitstempel zu reinem Text → Schritt 5 zur Dokumentenerstellung befolgen.
Temporäre Dateien und Bereinigung
- Zwischenprodukte (Audio, SRT, ASS, Frames) befinden sich in
<Ausgabestamm>/tmp/und können nach der Verarbeitung bereinigt werden; Endprodukte in<Ausgabestamm>/data/bleiben unberührt. - Transkribierte SRT kann zu Debug-Zwecken aufbewahrt werden; der Benutzer kann jederzeit manuell tmp/ leeren.
Fehlerbehandlung
| Symptom | Behandlung |
|---|---|
| Download fehlgeschlagen (403/Risikokontrolle/Login-Wall) | Skript hat bereits automatische Cookie-Wiederholungsversuche durchgeführt; bei weiterem Fehlschlag auf --browser firefox/edge umstellen oder dem Benutzer die Einrichtung eines Proxys vorschlagen; wenn es sich eindeutig um eine regionale Sperre/Bezahlschranke handelt, dies direkt sagen |
| faster-whisper nicht installiert | pip install faster-whisper; wenn nicht möglich, --engine api verwenden (erfordert API-Key) |
| Falsche Spracherkennung bei der Transkription | --language en (oder entsprechende Sprache) hinzufügen, um die Transkription zu erzwingen |
| Chinesisch nach dem Brennen als Rechtecke | Fehlende Schriftart – burn.py wählt standardmäßig basierend auf der Plattform (Windows YaHei/macOS PingFang/Linux Noto CJK). Linux benötigt sudo apt install fonts-noto-cjk; alternativ mit --font-name eine Schriftart angeben |
| Untertitel überdecken vorhandene feste Untertitel | `--avoid-hardsub single |
| Nicht genügend Speicherplatz | <Ausgabestamm>/tmp/ leeren |
| Abhängigkeitsfehler | references/Installationsanleitung.md lesen, den Anweisungen zur Installation folgen und dann zum Hauptablauf zurückkehren |
Prinzip der Abhängigkeitsprüfung: Führe den Hauptablauf direkt aus, prüfe bei Fehlern – verschwende keine Zeit mit der vorherigen detaillierten Prüfung jeder Abhängigkeit, da die Standardumgebung bereits eingerichtet ist (der --check-Befehl aus Schritt -1 deckt bereits die grundlegenden Elemente ab).