视频内容提取器
概述
自动从MP4视频文件中按可配置的时间间隔提取关键帧,对每个帧执行OCR文本识别,并生成结构化的Markdown报告。报告包括视频元数据(时长、分辨率、编码器)以及逐帧的OCR转录结果,并附有时间戳引用。
此技能专为Codex CLI设计,需要本地机器上安装FFmpeg和Tesseract OCR。
何时使用此技能
- 当需要从视频演示、讲座或截屏中提取文本内容时。
- 当需要为没有内嵌字幕的视频创建可搜索的转录文本时。
- 当需要以编程方式分析视频内容并生成结构化摘要时。
- 当用户要求“读取屏幕上的内容”或“提取此视频的内容”时。
工作原理
步骤1:分析视频元数据
此技能使用ffprobe提取视频元数据:时长、分辨率、帧率、编码器信息和文件大小。
步骤2:提取关键帧
使用FFmpeg,此技能按配置的间隔(默认:每30秒)捕获帧。每个帧保存为带时间戳的JPEG图像。
步骤3:OCR文本识别
每个提取的帧由Tesseract OCR处理。如果默认PSM模式未返回有意义的文本,则回退到全自动页面分割。
步骤4:生成Markdown报告
所有提取的数据被组合成结构化的Markdown文档。
示例
示例1:基本提取
Agent提示: 使用video-content-extractor技能从lecture.mp4中提取内容
输出生成lecture.md和lecture_frames/目录。
示例2:自定义间隔
参数:video_path, output_dir, interval(seconds), lang 每60秒提取一次,仅英文OCR: python scripts/extract_video.py recording.mp4 ./output 60 eng
示例3:双语内容
使用默认中文+英文OCR提取: python scripts/extract_video.py lecture.mp4 . 15 chi_sim+eng
最佳实践
- 对于文本频繁变化的快节奏内容,使用较短的间隔(10-15秒)。
- 对于演示幻灯片或慢速讲座,使用较长的间隔(30-60秒),以减少重复帧。
- 对于中文内容,请确保安装了Tesseract中文语言包(chi_sim)。
限制
- 需要安装FFmpeg和Tesseract OCR,并且它们可以通过PATH访问。
- Tesseract OCR的准确性取决于视频质量、文本大小和字体清晰度。
- 不提取音频或进行语音转文字转录。
- 帧提取基于时间(而非场景变化),可能产生近乎重复的帧。
- 大视频和短间隔可能生成大量帧——请确保有足够的磁盘空间。
安全与注意事项
- 此技能仅读取视频文件,并写入提取的帧和Markdown报告。
- 它不会通过网络发送任何数据——所有处理均在本地进行。
- FFmpeg和Tesseract使用固定的、预先验证的参数调用。
- 此技能不会修改或删除原始视频文件。
常见问题
-
问题:Tesseract返回乱码文本 解决方案:确保安装了正确的语言包。运行tesseract --list-langs验证。
-
问题:FFmpeg失败并显示“not found” 解决方案:确保FFmpeg在PATH中。运行ffmpeg -version验证。
-
问题:大视频上OCR运行缓慢 解决方案:增加interval参数以减少处理的帧数。
相关技能
- @media-summarizer - 使用视觉和音频线索总结视频内容。
- @document-ocr - 对静态图像或扫描文档执行OCR,无需视频处理。