视频情报提取 是做什么的?
概览
从YouTube、Vimeo和公司网站的视频内容中提取可操作情报。视频能揭示文本来源无法呈现的信息:设施规模、团队构成、产品演示、标识、活动出席情况和运营实况。
本技能专注于元数据+字幕提取(快速、免费、无存储成本),仅在需要视觉分析时才下载实际视频文件。
使用场景
- 目标公司拥有YouTube频道(即使很小——Shorts也计入)
- 创始人或领导层出现在播客/访谈视频中
- 任何平台上存在产品演示或导览
- 活动录像显示公司的展位、演示或出席情况
- 您需要用视觉证据核实声明(设施规模、团队人数、产品范围)
- 公司网站有嵌入式视频内容
前提条件
| 工具 | 安装方式 | 用途 |
|---|---|---|
| yt-dlp | pip install yt-dlp 或 brew install yt-dlp | 视频元数据/字幕下载 |
| Python 3.10+ | 系统 | VTT解析、自动化 |
| Whisper(可选) | pip install openai-whisper | 无字幕时的转录 |
| ffmpeg(可选) | brew install ffmpeg | 为Whisper提取音频 |
阶段1:发现
YouTube频道枚举
# 列出频道上的所有视频(返回视频ID+标题,不下载)
yt-dlp --flat-playlist --print "%(id)s %(title)s" "https://www.youtube.com/@CHANNEL_HANDLE"
# 包含上传日期以进行时间线分析
yt-dlp --flat-playlist --print "%(upload_date)s %(id)s %(title)s" "https://www.youtube.com/@CHANNEL_HANDLE"
YouTube搜索
# 搜索YouTube(前10个结果)
yt-dlp --flat-playlist --print "%(id)s %(title)s" "ytsearch10:COMPANY_NAME"
# 更广泛的搜索(前30个)
yt-dlp --flat-playlist --print "%(id)s %(title)s" "ytsearch30:COMPANY_NAME founder interview"
其他发现方法
| 来源 | 方法 |
|---|---|
| Google视频搜索 | site:youtube.com "公司名称" |
| 公司网站 | 检查源代码中是否包含 <iframe src="youtube.com/embed/..."> |
| Vimeo | yt-dlp --flat-playlist "https://vimeo.com/USER" |
| 手动浏览——视频无法通过编程方式枚举 | |
| 活动平台 | 检查Sched/Emamo会议页面中嵌入的视频链接 |
发现核对清单
- 目标公司自己的YouTube频道
- 创始人/CEO个人频道或客串出镜
- 目标接受采访的行业播客频道
- 包含目标演示的活动/会议频道
- 提及目标的合作伙伴/供应商频道
- 报道目标的本地新闻/媒体频道
阶段2:捕获
元数据+字幕(默认——不下载视频)
# 整个频道——元数据+自动字幕,无视频文件
yt-dlp --write-info-json --write-auto-sub --sub-lang en --skip-download \
--sleep-interval 2 "https://www.youtube.com/@CHANNEL"
# 单个视频
yt-dlp --write-info-json --write-auto-sub --sub-lang en --skip-download \
"https://www.youtube.com/watch?v=VIDEO_ID"
# 从列表中下载多个特定视频
yt-dlp --write-info-json --write-auto-sub --sub-lang en --skip-download \
--sleep-interval 2 -a video_urls.txt
关键yt-dlp标志
| 标志 | 用途 |
|---|---|
--write-info-json | 保存完整元数据(标题、日期、时长、描述、标签、观看次数) |
--write-auto-sub | 下载自动生成的字幕 |
--sub-lang en | 仅英文字幕 |
--skip-download | 无视频/音频文件——仅元数据 |
--sleep-interval 2 | 速率限制(对于30+视频的频道至关重要) |
--flat-playlist | 列出模式——枚举而不下载任何内容 |
-f "bestvideo[height<=720]+bestaudio" | 以合理质量下载视频 |
-x --audio-format mp3 | 仅提取音频(用于Whisper) |
下载视频文件(需要视觉分析时)
# 最高720p(质量与文件大小的良好平衡)
yt-dlp -f "bestvideo[height<=720]+bestaudio" --merge-output-format mp4 VIDEO_URL
# 仅音频用于Whisper转录
yt-dlp -x --audio-format mp3 VIDEO_URL
输出文件结构
project/
├── raw/video/
│ ├── Title of Video [VIDEO_ID].info.json # 元数据
│ ├── Title of Video [VIDEO_ID].en.vtt # 自动字幕(VTT格式)
│ └── Title of Video [VIDEO_ID].mp4 # 视频文件(仅当已下载时)
├── transcripts/
│ ├── VIDEO_ID_transcript.txt # 解析后的纯文本
│ └── VIDEO_ID_transcript.txt
└── analysis/
└── video_intelligence_summary.md
阶段3:VTT解析
将VTT字幕转换为纯文本
import re
import glob
def vtt_to_text(vtt_path):
"""解析VTT字幕文件为干净的纯文本。"""
with open(vtt_path) as f:
content = f.read()
# 移除WEBVTT头部和元数据
content = re.sub(r'WEBVTT.*?\n', '', content, flags=re.DOTALL)
# 移除时间戳行
content = re.sub(r'\d{2}:\d{2}:\d{2}\.\d+ --> .*', '', content)
# 移除HTML样式格式化标签
content = re.sub(r'<[^>]+>', '', content)
# 去重连续重复行并连接
lines = []
for l in content.split('\n'):
l = l.strip()
if l and not l.isdigit() and (not lines or l != lines[-1]):
lines.append(l)
return ' '.join(lines)
def batch_parse_vtts(vtt_dir, output_dir):
"""批量解析目录中所有VTT文件为纯文本。"""
import os
os.makedirs(output_dir, exist_ok=True)
for vtt_file in glob.glob(f"{vtt_dir}/*.vtt"):
text = vtt_to_text(vtt_file)
# 从文件名模式中提取视频ID "Title [VIDEO_ID].en.vtt"
video_id = re.search(r'\[([^\]]+)\]', vtt_file)
if video_id:
out_name = f"{video_id.group(1)}_transcript.txt"
else:
out_name = os.path.basename(vtt_file).replace('.en.vtt', '_transcript.txt')
with open(os.path.join(output_dir, out_name), 'w') as f:
f.write(text)
print(f"已解析: {out_name} (共{len(text.split())}个词)")
阶段4:Whisper降级方案(无字幕可用时)
当自动字幕不存在时(常见于Shorts、较旧视频、非英文内容):
# 仅下载音频
yt-dlp -x --audio-format mp3 -o "%(id)s.%(ext)s" VIDEO_URL
# 使用Whisper转录
whisper VIDEO_ID.mp3 --model base --language en --output_format txt
# 为提高专有名词准确率(慢3-5倍):
whisper VIDEO_ID.mp3 --model medium --language en --output_format txt
字幕通常不存在的情况
- YouTube Shorts(< 60秒)
- 约2015年之前上传的视频(前自动字幕时代)
- 非公开/私密视频
- 以音乐为主、语音极少的内容
- 未指定语言的非英文内容
阶段5:情报提取
元数据情报(来自info.json)
每个.info.json文件包含:
| 字段 | 情报价值 |
|---|---|
upload_date | 公司活动和内容策略的时间线 |
duration | 短=宣传;长=实质性访谈 |
description | 通常包含链接、姓名、时间戳、合作伙伴提及 |
tags | SEO策略、自我识别的类别 |
view_count | 哪些内容能引起受众共鸣 |
like_count | 参与度质量信号 |
channel | 谁发布的(他们的频道 vs. 客串出镜) |
转录情报核对清单
- 提到的人名(员工、合作伙伴、客户)
- 访谈中随口提到的收入/增长数据
- 讨论的未来计划或战略
- 承认的痛点或挑战
- 竞争对手提及(正面或负面)
- 招聘计划或团队规模参考
- 产品路线图或功能公告
- 口头提到的客户名称或案例研究
视觉情报核对清单(需要下载视频)
- 设施/仓库大小和状况
- 可见的员工人数(团队规模代理指标)
- 货架上的产品或演示中的产品(库存广度)
- 设备和机械(资本投资信号)
- 标牌、品牌和徽标使用情况
- 活动展位大小和设计质量
- 车队(交付能力)
- 镜头捕捉到的客户互动
- 背景中的地理/位置标识符
边缘情况和注意事项
-
YouTube速率限制 — 在下载之间使用
--sleep-interval 2。在30+次快速请求后会出现DNS错误。对于大型频道,请分批处理,每批20个。 -
频道下载文件名 — 从频道下载时,yt-dlp将文件命名为"Title [VIDEO_ID].ext"。标题中的空格和特殊字符会破坏shell脚本。使用
-o "%(id)s.%(ext)s"以获得干净的文件名。 -
重复上传 — 同一访谈被上传到不同频道或使用不同标题。通过时长+upload_date交叉引用,在花费时间分析两者之前捕获重复项。
-
LinkedIn原生视频 — 无法通过编程方式下载。LinkedIn CDN URL经过认证并在数小时内过期。标记为手动任务:在浏览器中"另存为Web完整版",或截图关键帧。
-
Shorts vs. 完整视频 — Shorts的URL格式是
youtube.com/shorts/ID,但yt-dlp透明地处理这两种格式。不要跳过Shorts——它们通常展示产品、设施和团队文化。 -
非公开视频 — 不在频道列表中,但可通过直接URL访问。搜索引擎可能已索引它们。检查Google缓存和Wayback Machine以获取曾经公开链接的非公开URL。
-
自动字幕质量 — 没有标点符号,有时会弄乱专有名词(Celina → Selena,BROGAV → ProGraph)。标准英语语音的准确率为95%以上。始终根据已知的可靠来源核实公司/人名。
-
上传日期 vs. 内容日期 — 视频可能在实际录制数周或数月后上传。检查描述和音频线索以获取实际录制日期。活动视频尤其有滞后。
-
info.json是金矿 — 始终使用
--write-info-json捕获。描述字段通常包含时间戳、嘉宾姓名、资源链接和合作伙伴提及,这些在视频本身中不可见。 -
VTT时间戳很有价值 — 纯文本转换会丢失时间信息。保留原始VTT文件作为事实来源。时间戳让您能够找到特定时刻进行视觉验证。
反模式
| 不要这样做 | 改为这样做 |
|---|---|
| 因为Shorts短就忽略它们 | 审查Shorts以获取视觉情报(产品、设施、团队) |
| 假设所有视频都有字幕 | 检查;对于无字幕内容降级使用Whisper |
| 默认下载视频文件 | 从--skip-download开始;仅在需要视觉分析时才获取视频 |
| 尝试自动化LinkedIn视频下载 | 标记为手动任务;CDN URL经过认证 |
| 相信upload_date就是内容日期 | 与描述、音频线索、活动日期交叉引用 |
| 一次性下载整个频道而不进行速率限制 | 使用--sleep-interval 2并分批处理,每组20个 |
| 仅解析转录文本,忽略info.json | 元数据包含音频中没有的名称、链接、标签 |
| 将视频视为次于文本来源的信息 | 视频独特地确认物理现实(设施、团队、产品) |
决策树
内容在YouTube上?
├── 是 → yt-dlp --write-info-json --write-auto-sub --skip-download
│ ├── 有字幕?→ 解析VTT为文本 → 提取情报
│ └── 无字幕?
│ ├── 视频 > 60秒且有语音?→ yt-dlp -x → Whisper → 分析
│ └── Shorts/纯视觉?→ 下载视频 → 视觉分析
└── 否 →
├── Vimeo → yt-dlp支持它(工作流与YouTube相同)
├── LinkedIn视频 → 手动"另存为Web完整版"(标记为手动任务)
├── 公司网站嵌入 → 提取iframe URL → 通常为YouTube/Vimeo
└── 其他平台 → 检查yt-dlp支持的站点列表
真实案例(BROGAV案例研究)
| 指标 | 值 |
|---|---|
| 发现的视频总数 | 45(9个全长,36个Shorts) |
| 捕获的VTT字幕文件 | 10 |
| 解析为文本的转录文本 | 10 |
| 分析的实质性访谈 | 2(每个5000+词) |
| 通过RSS/Whisper降级方案的播客 | 1(6489个词) |
| 捕获的重复视频 | 1(同一访谈,两个频道) |
| 提取的独特情报 | 创始人起源故事、收入信号、增长计划、供应商关系、设施细节、团队文化 |
| 来自Shorts的视觉情报 | 产品系列、仓库布局、品牌橱柜生产线、季节性库存 |
与其他技能的集成
| 技能 | 集成点 |
|---|---|
deep-research | 视频是与网络搜索并行的第3/4阶段来源 |
intelligence-dossier | 视频转录内容填充人物、产品、财务信号等部分 |
client-discovery-osint | 客户推荐视频直接提及客户名称 |
supplier-verification | 产品演示视频显示供应商徽标和品牌产品 |
era-validated-linkedin-analysis | 视频上传日期与LinkedIn活动时间线交叉引用 |
contact-sheet-image-analysis | 视频截图可通过缩略图网格进行批量分析 |