影片內容提取器
概述
自動從 MP4 影片檔案中,以可設定的時間間隔提取關鍵影格,對每個影格執行 OCR 文字辨識,並生成結構化的 Markdown 報告。報告內容包含影片元資料(時長、解析度、編碼格式)以及附有時間戳記的逐格 OCR 文字記錄。
此技能專為 Codex CLI 設計,且需在本機安裝 FFmpeg 和 Tesseract OCR。
何時使用此技能
- 當你需要從影片簡報、講座或螢幕錄影中提取文字內容時。
- 當你想為沒有內嵌字幕的影片檔案建立可搜尋的文字記錄時。
- 當你需要以程式化方式分析影片內容並生成結構化摘要時。
- 當使用者要求「讀取螢幕上的內容」或「從此影片中提取內容」時。
運作方式
步驟 1:分析影片元資料
此技能使用 ffprobe 提取影片元資料:時長、解析度、影格率、編碼資訊和檔案大小。
步驟 2:提取關鍵影格
使用 FFmpeg,技能以設定的間隔(預設:每 30 秒)擷取影格。每個影格會儲存為帶有時間戳記的 JPEG 圖片。
步驟 3:OCR 文字辨識
每個提取的影格由 Tesseract OCR 處理。如果預設的 PSM 模式未能回傳有意義的文字,則會回退使用全自動頁面分割模式。
步驟 4:生成 Markdown 報告
所有提取的資料會被整合成一份結構化的 Markdown 文件。
範例
範例 1:基本提取
Agent 提示詞: 使用 video-content-extractor 技能從 lecture.mp4 中提取內容
輸出會產生 lecture.md 以及 lecture_frames/ 目錄。
範例 2:自訂間隔
參數:video_path, output_dir, interval(seconds), lang 每 60 秒提取一次,僅 OCR 英文: python scripts/extract_video.py recording.mp4 ./output 60 eng
範例 3:雙語內容
使用預設的中文 + 英文 OCR 進行提取: python scripts/extract_video.py lecture.mp4 . 15 chi_sim+eng
最佳實踐
- 對於節奏快、文字變化頻繁的內容,使用較短的間隔(10-15 秒)。
- 對於簡報投影片或節奏慢的講座,使用較長的間隔(30-60 秒)以減少重複影格。
- 對於中文內容,請確保已安裝 Tesseract 中文語言包(chi_sim)。
限制
- 需安裝 FFmpeg 和 Tesseract OCR,且需可透過 PATH 存取。
- Tesseract OCR 的準確度取決於影片品質、文字大小和字型清晰度。
- 不提取音訊,也不執行語音轉文字。
- 影格提取是基於時間(而非場景變化),可能會產生近乎重複的影格。
- 大型影片搭配短間隔可能會產生大量影格,請確保有足夠的磁碟空間。
安全與注意事項
- 此技能僅讀取影片檔案,並寫入提取的影格和 Markdown 報告。
- 它不會透過網路發送任何資料,所有處理都在本機進行。
- FFmpeg 和 Tesseract 會使用固定的、預先驗證過的參數來呼叫。
- 此技能不會修改或刪除原始影片檔案。
常見問題
-
問題:Tesseract 回傳亂碼文字 解決方案:確保已安裝正確的語言包。執行 tesseract --list-langs 來驗證。
-
問題:FFmpeg 失敗並顯示「找不到」 解決方案:確保 FFmpeg 已加入 PATH。執行 ffmpeg -version 來驗證。
-
問題:大型影片上 OCR 速度很慢 解決方案:增加 interval 參數以減少需要處理的影格數量。
相關技能
- @media-summarizer - 用於透過視覺和音訊線索總結影片內容。
- @document-ocr - 用於對靜態圖片或掃描文件執行 OCR,無需影片處理。