视频字幕提取SKILL

📋 工具说明

核心功能

1. 从指定的视频文件提取字幕
2. 支持生成标准SRT规范的字幕文件

可用命令

🚨 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

🛠️ 视频字幕提取执行流程

完整流程概览

用户请求 → 强制前置校验 → 用户提供视频 → 视频字幕提取 → 结果返回

前置准备

1. 确保输出目录存在：mkdir -p /tmp/openclaw/subtitle-extractor/output
2. 生成唯一输出文件名：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：「请先提供要提取字幕的视频：可以发我视频tos链接，或上传 MP4/MOV 文件（建议≤10分钟、≤200MB、≥480p，预期处理时长5分钟以内）」
   • 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）

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-analyzer/input
     curl -L -o /tmp/openclaw/byted-kickart-video-analyzer/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-analyzer/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：调用工具提取视频字幕

   • 执行字幕提取命令：

     python3.12 scripts/extractor.py --media-id \x3C媒资ID> --output \x3C输出文件路径>
     

   • 参数说明：

     参数	类型	说明
     --media-id	string	步骤3获取的媒资ID
     --output	string	字幕结果输出文件路径（JSON格式）

   • 执行流程：
     1. 调用ICCP服务提交字幕提取任务
     2. 轮询任务状态（每30秒查询一次，最多5分钟）
     3. 任务完成后将结果保存到指定输出文件
   • 返回结果说明（JSON格式）：

     字段	类型	说明
     video_url	string	视频访问URL
     captions	object	字幕信息对象
     captions.end_time	number	字幕结束时间（毫秒）
     captions.start_time	number	字幕开始时间（毫秒）
     captions.attribute	object	字幕属性（预留字段）
     captions.text	string	字幕完整文本内容
     captions.words	array	分词列表
     captions.words[].end_time	number	单词结束时间（毫秒）
     captions.words[].start_time	number	单词开始时间（毫秒）
     captions.words[].attribute	object	单词属性（预留字段）
     captions.words[].text	string	单个单词文本

6. 步骤5：SRT字幕文件生成（可选）

   • 触发条件：用户需要标准SRT格式字幕文件
   • 触发方式：字幕提取成功后，在消息模板中询问用户是否需要SRT格式字幕文件
   • 生成方式：Agent根据字幕JSON结果直接生成标准SRT格式字幕文件，不依赖脚本
   • SRT格式说明：

     1
     00:00:00,000 --> 00:00:01,800
     it's a filter in a bottle with SPF!
     
     2
     00:00:01,800 --> 00:00:10,200
     This isnt even a foundation
     

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

严格要求：必须使用普通正文格式展示，绝不可使用加粗语法（**），并且必须严格保留每一行的换行符！

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

字幕提取成功模板：

✨ 字幕提取任务已完成！
🎥 视频链接
[点击查看视频]({video_url})

🔤 字幕全文
{full_text}

🔤 字幕分词详情

| 时间戳（秒） | 分词文本 |
|-------------|----------|
{word_rows}

---

📁 字幕JSON文件路径：{output_file_path}

需要帮你生成SRT格式的带时间戳字幕文件吗？

{word_rows} 生成规则：遍历 captions.words 数组，过滤掉文本为空白的条目，将 start_time/end_time 除以 1000 转换为秒，每行格式为 | {start_sec}-{end_sec} | {text} |，必须完整生成所有非空分词条目，不得省略。

⚠️ 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！！！