Communitygithub.com

legenxxx/video-digest

將任何影片轉換成可搜尋的文字摘要 — 包含逐字稿、螢幕文字與連結,以及連環縮圖。完全本機執行,無需雲端。

video-digest 是什麼?

這個技能能夠將影片內容轉化為一份可搜尋的 Markdown 摘要文件 (digest.md)。它會從影片中提取三項核心資訊:使用 faster-whisper 在裝置端產生的口語逐字稿;透過 OCR 技術辨識畫面中所有可見文字,並特別將 URL 與 @提及(handle)獨立列出;以及以縮圖網格(montage)呈現影片視覺故事的連環圖。所有運算都在本地端完成,無需網路連線、帳號或遙測回報。它支援 macOS 與 Linux,依序使用 macOS 內建的 Vision 框架或 Tesseract 進行 OCR,並以 ffmpeg 處理縮圖。即使部分階段(如逐字稿或 OCR)因缺少依賴而略過,仍能產出有意義的摘要。這個工具非常適合用來搜尋大量影片、建立可搜尋的影片目錄,或快速取得多段錄影的視覺概覽。

相容平台~Claude Code~Codex CLI~Cursor
npx skills add legenxxx/video-digest

在你喜歡的 AI 中提問

開啟一個已預先載入此 Agent Skill 的新對話。

說明文件

video-digest 是做什麼的?

概述

將任何影片轉換成單一可搜尋的 Markdown 摘要。對於每個片段,這個技能會產出三項內容,並將它們整合成一份 digest.md:

  1. 逐字稿 — 口語內容(使用 faster-whisper,在裝置端執行)。
  2. 螢幕文字 — 畫面中每一行獨特的文字(OCR),並將 URLs 和 @handles 獨立提取出來。
  3. 連環縮圖 — 橫跨整個片段的格狀畫面,讓您一眼就能讀取其視覺故事。

一切都在本機執行。無需網路呼叫、不需帳號、沒有遙測。核心只需要 ffmpeg;逐字稿和 OCR 為選用功能,且會優雅地降級。

使用時機

  • 「這個影片 / 這兩百部影片裡有什麼?」不必觀看就能知道。
  • 為短片、演講、教學或素材建立可搜尋的目錄。
  • 還原影片中閃過的連結與帳號。
  • 快速取得長影片或多段錄影的視覺概覽(連環圖)。

不適用於:即時串流、編輯/剪輯影片,或產生影片。這個技能是用來讀取影片並產出文字與圖像摘要。

快速參考

scripts/check-deps.sh                    # 檢查已安裝項目 + 如何安裝其餘依賴
scripts/video-digest.sh clip.mp4         # 單一影片 → ./video-digest-out/clip/digest.md
scripts/video-digest.sh --out ~/digests *.mp4     # 批次處理整個資料夾
scripts/video-digest.sh --lang en talk.mov        # 提示逐字稿語言
scripts/video-digest.sh --no-transcript reel.mp4  # 跳過音訊,只處理視覺與文字
scripts/video-digest.sh --ocr-engine tesseract x.mp4   # 強制使用特定 OCR 引擎
旗標用途預設值
-o, --out DIR輸出根目錄./video-digest-out
--fps NOCR 畫面取樣率2
--montage-frames N分散於整段片段的畫格數90
--tile CxR連環圖網格3x3
--ocr-engine Eauto|vision|tesseract|noneauto
--whisper-model Mtiny|base|small|medium(+.en)small
--whisper-python P已安裝 faster-whisper 的直譯器路徑自動偵測
--lang CODE逐字稿語言提示自動偵測
--no-transcript / --no-ocr / --no-montage跳過某個階段—
--force即使已快取仍重新執行階段關閉

執行 scripts/video-digest.sh --help 取得完整列表。

運作方式

入口點 scripts/video-digest.sh 會協調三個小型的獨立工具,您也可以單獨執行它們:

階段腳本引擎
連環圖scripts/montage.shffmpeg 平鋪濾鏡
螢幕文字scripts/ocr.sh (+ ocr_vision.swift)macOS Vision(預設)或 tesseract
逐字稿scripts/transcribe.pyfaster-whisper

每個階段都是可繼續的 — 已完成的工作會標記為 .done 並快取,重新執行時會跳過,除非您加上 --force。摘要會根據當前存在的任何階段內容重新建構,因此部分執行的結果仍然能產出有用的檔案。

OCR 引擎的選擇是自動的:在 macOS 上使用內建的 Vision 框架(免安裝、裝置端執行),否則若偵測到 tesseract 則使用它,否則會跳過 OCR 並顯示警告。請參閱 references/setup.md 了解安裝選用後端的方法,以及 references/output-format.md 了解確切的輸出格式。

常見錯誤

  • 逐字稿為空 → faster-whisper 未安裝在所指定的直譯器中。執行 scripts/check-deps.sh,然後執行 pip install faster-whisper,或使用 --whisper-python /path/to/python 指向一個已安裝的環境。
  • Linux 上沒有螢幕文字 → 安裝 tesseract(apt install tesseract-ocr);Vision 引擎僅限 macOS。
  • 短片使用過多的連環圖畫格數 → 調低 --montage-frames(例如 30)。
  • 逐字稿語言錯誤 → 傳入 --lang(例如 --lang sk),或使用非 .en 的模型來處理多語言音訊。

範例

examples/sample-digest/ 包含一個小型產生的片段以及它所產出的 digest.md — 逐字稿、一個偵測到的 URL、一個 @handle,以及一張連環縮圖。使用以下指令重現(逐字稿部分需安裝 faster-whisper):

scripts/video-digest.sh --montage-frames 9 examples/sample-digest/sample.mp4

相關技能