视频/音频 → 转写 → 总结
把视频（B站/YouTube）或本地音视频变成文字，再按用户要的格式产出摘要/章节/观点提炼。 核心：先探路（有没有现成字幕），再决定用不用 ASR。
When to Use
- 用户丢来视频/音频链接或文件（BV 号/av 号、bilibili 或 youtu.be 链接、本地 mp4/mp3）要求「总结 / 讲了什么 / 转成文字 / 提炼观点」
- 要把某 UP 主的视频内容归档成笔记（投资类 → 配合
obsidian-investment-notes） - 需要逐字稿或时间戳章节作为后续统计/回测/复盘的输入
- 没指定格式时默认出摘要；用户点了格式（章节/thread/blog/引言）再按那个格式出
工具链（一次性安装，二进制落 ~/.local/bin）
uv tool install yt-dlp # 下载 + 平台解析（自带 wbi 签名，比手写 API 稳）
uv tool install mlx-whisper # Apple Silicon 本地 ASR（M 系列）
export PATH="$HOME/.local/bin:$PATH"
export PATH="$PATH:$(ls -d $HOME/.hermes/tools/ffmpeg-* | head -1)" # mlx_whisper 解码音频依赖 ffmpeg
ffmpeg 目录名带版本号会变，用 ls -d ~/.hermes/tools/ffmpeg-* 现取，别硬编码。
取文路线：先选路，再动手
| 路线 | 何时用 | 代价 |
|---|---|---|
| A 字幕 | 平台有 CC/AI 字幕 且 能提供登录态 cookie | 秒级，最省 |
| B 本地 ASR | 默认兜底，零登录 | 首次下模型 708M；M1 实测 tiny ≈35×、large-v3-turbo ≈18× 实时 |
实测：B站匿名拿不到字幕（--list-subs 只列 danmaku），但音频流匿名可下 → 无 cookie 时默认走 B，不要先在字幕上耗时间。
步骤
- 探元信息 + 字幕列表：
yt-dlp --list-subs <URL>- 有
Available subtitles表（含zh-CN/ai-zh）= 路线 A 可行；只有danmaku= 无 CC/AI 字幕可匿名取。
- 有
- 路线 A 下字幕：
yt-dlp --write-subs --sub-langs "ai-zh,zh-CN" --skip-download -o subs <URL>- 需登录态时加
--cookies-from-browser chrome（或--cookies cookies.txt）。
- 需登录态时加
- 路线 B 取音频（只下音频流，体积极小）：
yt-dlp -f "30232/bestaudio" --no-playlist -o audio.m4a <URL> # B站 30232 ≈76k m4a；YouTube 用 -f bestaudio - 转写：
mlx_whisper audio.m4a --model mlx-community/whisper-large-v3-turbo \ --language zh --initial-prompt "以下是普通话的句子，请输出简体中文。" \ --output-format txt --output-dir out- 中文成稿必须 large-v3-turbo（tiny 只能用来验证链路）。实测 turbo：129.4 秒音频 → 7.2 秒墙钟（≈18× 实时，含模型加载），模型 708M 下一次下载长期复用。
- 要时间戳章节就把
--output-format换srt（实测可用：129 秒音频出 16 条带时间戳字幕）；纯文字用txt。 - 长音频先分段（约 30 分钟/段）再逐段转写，别一次性长跑。
- 总结：默认产出摘要；用户点明时再给时间戳章节 / 观点清单 / thread / blog。
- 转写 >50K 字符先分块（~40K 带 2K 重叠）逐块摘要再合并。
- 落地：投资类视频额外抽「标的 / 信号 / 仓位 / 止损 / 时间」字段，笔记规范见
obsidian-investment-notes（信号日、source、frontmatter v2 都按那边来）。
陷阱（实测）
- B站匿名没有字幕：
x/player/v2的subtitles返回[]，--list-subs只给danmaku。要 SESSDATA 才有 CC/AI 字幕；没 cookie 直接走 ASR。 - 1080P 以上高码率需大会员 cookie，但音频流不受影响 —— 音频路线无需登录。
- B站搜索接口匿名会被风控：
x/web-interface/wbi/search/type返回 412 /v_voucher。改用 yt-dlp 内置搜索（自带 wbi 签名）：yt-dlp --flat-playlist --print "%(id)s|%(url)s" "bilisearch5:关键词"；连打第二次就 412，调用间隔 sleep 数秒，拿到 id 后用https://www.bilibili.com/video/av<id>形式访问。 - whisper tiny 中文不可用：会把「成长股价值」听成「成長武士戒」。中文一律 large-v3-turbo；输出偏繁体/错字时用
--initial-prompt「以下是普通话的句子，请输出简体中文。」压简体。 - 大模型 708M（不是 1.6G，实测
du -sh），别在前台等：放后台任务 + notify；HF 缓存断点续传，被前台超时杀掉后重跑即续（用du -sh ~/.cache/huggingface/hub/models--mlx-community--*看下了多少）。 - mlx_whisper 解码依赖 ffmpeg 在 PATH，否则直接报错。
--cookies-from-browser chrome未实测：cookie 传法目前只是文档层面成立，首次用要先验证（macOS 下读浏览器 cookie 还可能触发 TCC/钥匙串授权）。~/Documents、~/Desktop、~/Downloads枚举卡死 ≠ 目录坏了：实测是 macOS TCC 权限（执行进程无「文稿」访问权），症状是ls数秒零输出直到超时，而~/Repositories之类正常列出。给执行进程开「完全磁盘访问权限」后才能动 vault。
工作纪律（用户偏好）
- 先给完整计划待确认再动手，勿抢跑；但探测性实测（探接口/试链路）可以直接做，因为它喂给结论。
- 结论必须基于实测数据（体积/耗时/接口返回码），不要凭猜。
- 平台接口细节见
references/bilibili-anonymous-access.md；输出格式样例（含投资信号字段抽取）见references/example-output.md。