视频字幕添加SKILL

📋 工具说明

核心功能

为本地视频文件添加字幕。

使用限制

可用命令

📝 字幕配置文件生成规则

配置文件格式

字幕配置文件为JSON格式，包含一个字幕对象数组。单个字幕对象结构如下：

时间分配规则（符合人类朗读习惯）

基础规则：

• 单字时长：中文正常语速约为每秒4-5字，即每个汉字约200-250毫秒
• 标点处理：标点符号持续时间为0毫秒，立即显示后进入停顿
• 意群停顿：逗号、句号等标点后设置300毫秒停顿，符合人类朗读习惯
• 词间间隔：词语之间设置20毫秒微小间隔，提升可读性
• 结尾延长：最后一个字适当延长显示时间，确保完整阅读

生成步骤：

1. 确定字幕总数：根据视频时长和内容复杂度，合理划分字幕段落
2. 分配时间范围：确保各字幕之间不重叠，段落间至少保留300毫秒间隔
3. 计算单字时长：(end_time - start_time - 标点停顿时间) / 汉字数量
4. 生成字级时间戳：按顺序为每个字分配时间，标点使用0毫秒时长
5. 添加意群停顿：在标点后插入适当停顿时间

示例计算：

对于字幕"足力健老人鞋，专为爸妈设计"（13个字符，含1个标点）：

• 总时长：3190毫秒（5000-1810）
• 汉字数：12个
• 单字平均时长：约220毫秒
• 标点停顿：300毫秒

{
  "text": "足力健老人鞋，专为爸妈设计",
  "start_time": 1810,
  "end_time": 5000,
  "words": [
    {"text": "足", "start_time": 1810, "end_time": 2000, "attribute": {}},
    {"text": "力", "start_time": 2000, "end_time": 2180, "attribute": {}},
    {"text": "健", "start_time": 2180, "end_time": 2380, "attribute": {}},
    {"text": "老", "start_time": 2380, "end_time": 2580, "attribute": {}},
    {"text": "人", "start_time": 2580, "end_time": 2790, "attribute": {}},
    {"text": "鞋", "start_time": 2810, "end_time": 3030, "attribute": {}},
    {"text": "，", "start_time": 3030, "end_time": 3030, "attribute": {}},
    {"text": "专", "start_time": 3330, "end_time": 3550, "attribute": {}},
    {"text": "为", "start_time": 3570, "end_time": 3790, "attribute": {}},
    {"text": "爸", "start_time": 3810, "end_time": 4030, "attribute": {}},
    {"text": "妈", "start_time": 4050, "end_time": 4270, "attribute": {}},
    {"text": "设", "start_time": 4290, "end_time": 4510, "attribute": {}},
    {"text": "计", "start_time": 4530, "end_time": 5000, "attribute": {}}
  ],
  "attribute": {}
}

注意事项：

• 字幕之间至少保留300毫秒间隔
• 首条字幕建议在视频开始后500毫秒开始
• 末条字幕建议在视频结束前1000毫秒结束
• 避免单条字幕过长（建议不超过15个汉字）

🚨 强制前置校验流程（必须按顺序执行，任意不通过直接终止流程）

所有用户请求必须先完成以下3步校验，不得跳过：

1. 火山鉴权校验

• 执行环境变量检查命令：

  echo "ARK_SKILL_API_BASE: $ARK_SKILL_API_BASE" && echo "ARK_SKILL_API_KEY: $ARK_SKILL_API_KEY" && echo "ACCESS_KEY_ID: $ACCESS_KEY_ID" && echo "SECRET_ACCESS_KEY: $SECRET_ACCESS_KEY"
  

• 判断鉴权结果（按优先级）：
  • 第一优先级（Bearer Token）：ARK_SKILL_API_BASE 和 ARK_SKILL_API_KEY 均为非空值 → 鉴权通过
  • 第二优先级（AK/SK签名）：ACCESS_KEY_ID 和 SECRET_ACCESS_KEY 均为非空值 → 鉴权通过
  • 鉴权不通过：执行以下引导方案

❌ 鉴权未配置时的引导方案

1. 引导用户直接在聊天中发送ACCESS_KEY_ID/SECRET_ACCESS_KEY内容：

   请你提供火山账号AK&SK，用于检查火山创作Agent是否已开通套餐和有可用的创点

2. 收到用户发送的ACCESS_KEY_ID/SECRET_ACCESS_KEY后，执行配置命令：

   export ACCESS_KEY_ID=用户提供的ACCESS_KEY_ID值
   export SECRET_ACCESS_KEY=用户提供的SECRET_ACCESS_KEY值
   

3. 配置完成后告知用户：

   已完成ACCESS_KEY_ID/SECRET_ACCESS_KEY临时配置，当前配置仅在本次会话生效，不会持久化存储，请放心使用

4. 后续所有相关脚本执行时，均会自动通过export指定这两个环境变量，确保鉴权正常，无需用户重复配置

2. 套餐有效性校验

• 步骤1：Python版本校验

  python3.12 --version || (echo "❌ Python 3.12+ 未安装，请先安装Python 3.12" && exit 1)
  

• 步骤2：依赖包安装校验

  python3.12 -m pip install -r ./scripts/requirements.txt
  

• 步骤3：执行套餐查询命令

  python3.12 -m scripts/plan.py
  

• 步骤4：结果处理逻辑
  • ✅ 套餐有效：返回结果中的 message 字段为有效截止时间（北京时间），校验通过
  • ❌ 套餐已过期：message 小于等于当前时间，引导用户开通套餐，终止流程
  • ❌ 接口调用错误：参考「错误处理规范」匹配错误码，向用户明确告知错误原因和解决方案，并且终止流程

3. 技能版本校验

• 步骤1：执行版本检查命令

  python3.12 -m scripts/upgrade.py
  

• 步骤2：解析返回结果 返回格式示例：

  {"code":"0","message":"success","data":"{\"install_command\":\"\",\"latest_version\":\"1.0.0\",\"latest_version_number\":100000000,\"update_message\":\"\"}"}
  

  • latest_version：最新版本号（如 "1.0.0"）
  • install_command：新版本安装指令
• 步骤3：版本对比逻辑
  • ✅ 当前版本 >= 最新版本：版本校验通过，继续后续流程
  • ⚠️ 当前版本 \x3C 最新版本：执行以下更新询问流程
    1. 询问用户是否更新到最新版本：

       检测到技能有新版本 {latest_version}，是否更新？（是/否）

    2. 用户确认更新（是）：执行 install_command 安装新版本
    3. 用户不更新（否）：跳过更新，继续后续流程

🛠️ 视频字幕添加执行流程

完整流程概览

用户请求 → 强制前置校验 → 用户输入收集 → 视频字幕添加 → 结果返回

前置准备

1. 确保输出目录存在：mkdir -p /tmp/openclaw/byted-kickart-video-subtitler/output
2. 生成唯一输出文件名：video_subtitle_\x3Ctimestamp>_\x3Crandom>.json

执行步骤

1. 步骤0：强制前置校验（必须按顺序执行，任意不通过直接终止流程）

   • 执行「🚨 强制前置校验流程」中的所有校验步骤
   • ✅ 火山鉴权校验通过
   • ✅ 套餐有效性校验通过
   • ✅ 技能版本校验通过
   • 只有全部校验通过后，才能进入下一步

2. 步骤1：视频上传引导

   • 询问用户：「请提供您要添加字幕的视频，可以是本地文件路径或视频公网URL。视频时长不能超过10分钟。」
   • 支持两种上传方式：
     • 本地文件：直接提供本地视频文件的绝对路径（如 /Users/user/video.mp4）
     • 公网URL：提供可直接访问的视频链接（如 https://example.com/video.mp4）
   • 不收集字幕内容：字幕收集在步骤5专门处理

3. 步骤2：视频预处理

   • 若用户提供的是公网URL，先下载到本地：

     mkdir -p /tmp/openclaw/byted-kickart-video-subtitler/input
     curl -L -o /tmp/openclaw/byted-kickart-video-subtitler/input/downloaded_video.mp4 "\x3C视频URL>"
     

   • 检查文件是否存在：ls -la "\x3C视频路径>"
   • 检查文件类型是否为有效视频（仅支持MP4/MOV格式）：

     file /tmp/openclaw/byted-kickart-video-subtitler/input/downloaded_video.mp4 | grep -qE "ISO Media|MPEG v4|QuickTime" && echo "valid" || echo "invalid"
     

   • 若文件不存在或类型无效，终止流程并提示用户：

     文件不可用，请检查路径是否正确，或确认文件为有效视频格式（仅支持 MP4/MOV）

4. 步骤3：上传视频获取媒资信息

   • 执行 python3.12 scripts/upload.py --file \x3C视频路径> 命令
   • 返回字段说明：

     字段	类型	说明
     id	string	媒资ID（唯一标识）
     url	string	视频访问URL
     duration	number	视频时长（秒）

5. 步骤4：解析媒资信息：从上传输出中提取 id 作为媒资ID，提取 duration 用于字幕时间分配

   • 告知用户视频时长：您的视频时长为 {duration} 秒，建议字幕总字数不超过 {duration * 4} 字

6. 步骤6：字幕内容收集与校验

   • 询问用户：「请提供字幕内容，可以选择以下方式之一：
     1. 直接输入字幕文本（仅支持单行）
     2. 提供SRT字幕文件路径（标准SRT格式）
     3. 提供字幕文本+时间戳数据（包含分句时间戳、分词时间戳、分词文本）」
   • 提示用户参考视频时长进行字幕创作（字幕总字数不能超过3000字）
   • 若用户选择方式3，引导用户提供完整的时间戳数据
   • 字数校验：检查字幕文本总字数（不含标点符号），若超过3000字，提示用户精简字幕内容并终止流程：

     字幕字数超过限制（当前{count}字，限制3000字），请精简字幕内容后重新提交

7. 步骤6：生成字幕配置

   • 方式一：用户提供字幕文本：根据视频时长和用户提供的字幕文本，按「字幕配置文件生成规则」生成字幕配置JSON
     • 多字幕分支：若字幕文本含换行符（行数>1），自动按换行拆分为多条字幕，等分视频时长（每条字幕时长 = (总时长ms - 1500ms边距) / 字幕条数）
   • 方式二：用户提供SRT文件：解析SRT文件内容，转换为字幕配置JSON格式
     • SRT格式示例：

       1
       00:00:00,000 --> 00:00:02,000
       第一条字幕内容
       
       2
       00:00:02,000 --> 00:00:04,000
       第二条字幕内容
       

     • 解析规则：提取序号、开始时间、结束时间、字幕文本，转换为字幕配置JSON
   • 方式三：用户提供字幕文本+时间戳数据：根据用户提供的分句时间戳、分词时间戳、分词文本数据，直接生成字幕配置JSON
     • 输入数据格式示例：

       分句1：0-2000ms
       分词：词1(0-500ms)、词2(500-1000ms)、词3(1000-1500ms)、词4(1500-2000ms)
       
       分句2：2000-4000ms
       分词：词5(2000-2500ms)、词6(2500-3000ms)、词7(3000-3500ms)、词8(3500-4000ms)
       

     • 解析规则：按用户提供的时间戳数据，直接构建字幕配置JSON，包含完整的分句和分词时间信息

8. 步骤7：字幕确认（添加到平台前，必须向用户确认）

   • 向用户展示生成的字幕配置摘要（字幕条数、首条文本、预计总时长）
   • 询问用户确认：「字幕配置已生成，是否确认提交添加？（确认/取消）」
   • 用户取消 → 终止流程，不消耗创点
   • 用户确认 → 继续下一步

9. 步骤8：添加字幕：执行以下命令

   python3.12 scripts/subtitler.py \
     --media-id \x3C媒资ID> \
     --captions /tmp/openclaw/byted-kickart-video-subtitler/output/video_subtitle_\x3Ctimestamp>_\x3Crandom>.json \
     --output /tmp/openclaw/byted-kickart-video-subtitler/output/subtitle_result_\x3Ctimestamp>_\x3Crandom>.json
   

   • 重要：
     • --captions 参数值为字幕配置JSON文件的绝对路径（不是内联JSON字符串）；由步骤6生成，保存在 /tmp/openclaw/byted-kickart-video-subtitler/output/ 目录下
     • --output 参数值为结果JSON文件的绝对路径（不是视频文件路径）；脚本会将字幕添加结果保存到此JSON文件

10. 步骤9：解析结果并提取视频URL

    • 读取 --output 指定的JSON文件内容
    • 从JSON中提取 video 字段值作为字幕添加后的视频URL
    • 使用「字幕添加成功模板」向用户展示结果，包含视频预览链接
    • 输出字段说明

      字段	类型	说明
      uuid	string	字幕添加任务的唯一标识符
      video	string	字幕添加后的视频URL（包含鉴权参数）

Agent执行特殊要求

1. 超时设置：调用exec工具启动脚本时，设置≥180000ms（3分钟）的yieldMs
2. 友好提示：若脚本未立即返回结果，先回复用户："正在为您进行视频分析，任务执行时间可能较长，请您稍候~"
3. 异常处理：若脚本因超时/异常退出，立即使用持久化的Task ID调用任务查询接口确认后端状态，禁止直接判定任务失败

📝 用户展示消息模板

视频上传成功模板：

📤 视频上传成功！

🆔 媒资ID: {media_id}
🔗 视频URL: [点击查看]({url})
📊 分辨率: {width}x{height}
⏱️ 时长: {duration}秒

字幕添加成功模板：

✨ 字幕添加任务已完成！

🎥 [点击预览视频]({video})

📝 字幕已自动添加到视频中，您可以直接下载使用！

⚠️ 错误处理规范

所有错误必须明确告知原因和可执行解决方案，禁止模糊提示！！！