Bilibili Transcript - B站视频文字稿提取

Overview

从B站视频URL提取完整语音文字稿。通过 yt-dlp 下载音频，再用 OpenAI Whisper 进行中文语音识别，生成带时间戳的结构化 Markdown 文字稿文件。

Prerequisites

确保以下工具已安装（如未安装则先执行安装）：

1. yt-dlp - B站视频/音频下载工具

```bash

pip3 install yt-dlp

```

1. openai-whisper - 语音识别模型

```bash

pip3 install openai-whisper

```

Workflow

Step 1: 下载B站视频音频

使用 yt-dlp 下载视频的音频轨（mp3格式）：

yt-dlp -f "bestaudio" --extract-audio --audio-format mp3 -o "<output_dir>/bilibili_audio.%(ext)s" "<B站视频URL>"

注意事项：

• B站高画质格式需大会员Cookie，但音频轨一般可直接下载
• 如果遇到SSL证书问题，Python中需设置 ssl._create_default_https_context = ssl._create_unverified_context
• B站URL格式示例：https://www.bilibili.com/video/BV1RiASzXEEy

Step 2: 检查是否有CC字幕（可选优先路径）

部分B站视频提供UP主上传的CC字幕，如果有则可直接提取，无需语音识别：

yt-dlp --list-subs "<B站视频URL>"

• 如果显示 zh-Hans / zh 等非弹幕字幕，直接下载字幕文件：

```bash

yt-dlp --write-subs --sub-lang zh-Hans --skip-download -o "/bilibili_subtitle" ""

```

• danmaku 是弹幕（观众评论），不是视频内容稿，不能替代语音转录
• CC字幕需要登录Cookie才能获取，未登录时可能无法获取

Step 3: 语音识别转录

使用 scripts/transcribe.py 脚本进行转录：

python3 <skill_dir>/scripts/transcribe.py --input <audio_file> --output <output_file> [--model-size <size>]

参数说明：

• --input: 输入音频文件路径（必需）
• --output: 输出文字稿文件路径（必需）
• --model-size: Whisper模型大小，默认 medium（可选：tiny/base/small/medium/large）
• medium：中文识别效果较好，模型约1.5GB
• large：效果最佳但速度慢，模型约3GB
• small：速度快但中文准确度稍低

Whisper模型选择指南：

Step 4: 获取视频元信息

使用 WebFetch 获取视频的标题、UP主、播放量等元信息：

WebFetch url="https://www.bilibili.com/video/<BV号>" prompt="提取视频标题、作者、播放量、发布时间、简介"

Step 5: 整理输出文字稿

将转录结果整理为结构化的文字稿文件（.txt后缀，微信兼容），格式如下：

# {视频标题}

**UP主**: {作者} | **播放量**: {播放量} | **发布时间**: {发布时间}
**视频链接**: {原始URL}

---

## 完整文字稿

[00:00] 转录内容...
[00:15] 转录内容...
...

---

## 要点总结

| 方法/要点 | 核心思路 | 具体操作 |
|-----------|---------|---------|
| ... | ... | ... |

**金句**: 提取的金句内容

输出规范：

• 文件保存为 .txt 后缀（微信移动端兼容）
• 按视频内容逻辑分节，添加章节标题
• 提取核心要点，整理为表格
• 提取金句/关键结论
• 时间戳格式：[MM:SS]

Step 6: 清理临时文件

删除下载的音频文件和弹幕xml文件：

rm -f "<output_dir>/bilibili_audio.mp3" "<output_dir>/bilibili_subtitle.danmaku.xml"

Common Issues

SSL证书错误

现象: Whisper下载模型时出现 SSL: CERTIFICATE_VERIFY_FAILED

解决: 脚本中已内置 ssl._create_default_https_context = ssl._create_unverified_context 绕过

B站字幕需登录

现象: Subtitles are only available when logged in

解决: 使用 --cookies-from-browser chrome 参数传入浏览器Cookie，或直接走语音识别路线

高画质无法下载

现象: Format(s) 4K, 1080P... are missing; you have to become a premium member

解决: 音频轨不受此限制，可正常下载；如需视频画面则需Cookie

FP16不支持

现象: FP16 is not supported on CPU; using FP32 instead

解决: 这是警告而非错误，CPU上自动降级为FP32，不影响结果

Resources

scripts/

• transcribe.py - Whisper语音识别转录脚本，支持参数化模型选择，输出带时间戳的文字稿