Subtitle Refiner

AI 驱动的字幕优化工具，使用 SiliconFlow GLM-4.7 模型智能优化 SRT 字幕文件。

核心功能

• 自动去除语气词：删除 "嗯"、"啊"、"那个"、"就是"、"然后"、"呃" 等口语填充词
• 智能修正 ASR 错误：根据视频主题修正语音识别错误
• XGBT → ChatGPT
• RG → RAG
• 菜GPT → ChatGPT
• CHATPT → ChatGPT
• 等等...
• 保持时间戳：所有时间轴信息完全不变
• 主题感知：分析视频主题，进行上下文相关的校对
• Token 追踪：详细记录每次优化的 token 消耗

触发条件

当以下情况时自动触发此技能：

1. 用户发送 .srt 文件
2. 用户使用关键词：
• "优化字幕"
• "校对字幕"
• "去掉字幕里的口语词"
• "fix subtitle"
• "refine subtitle"
• "clean subtitle"

工作流程

当技能被触发时：

步骤 1：获取文件路径

从用户消息中获取 SRT 文件路径。

步骤 2：调用优化模块

直接执行优化脚本，该脚本会将优化好的文件发送至飞书：

python3 {baseDir}/scripts/refine.py <srt_file> <chat_id> <workspace>

参数说明：

• : SRT 文件的完整路径
• : Feishu 聊天 ID（从上下文获取）
• : OpenClaw workspace 目录（用于存储输出文件）

示例：

python3 /path/to/skill/scripts/refine.py \
    /workspace/subtitle/demo.srt \
    "oc_xxxxxxxxx" \
    /workspace

重要规则

Agent 必须遵守以下规则：

1. ✅ 保持时间戳：永远不修改时间轴信息
2. ✅ 保持顺序：永远不改变字幕顺序
3. ✅ 保持索引：永远不修改字幕序号
4. ✅ 只修改文本：只修改字幕的文本内容
5. ✅ 调用 Python 模块：使用上述代码导入并调用 refine_and_send()
6. ✅ 传递正确参数：确保传递文件路径、chat_id 和 workspace_dir

输出格式

优化后的文件

• 命名格式：{原文件名}_优化{时间戳}.srt
• 存储位置：{workspace}/subtitle_refine/

汇总格式参考

✅ 字幕优化完成！
优化结果：
📝 处理字幕：x 条
✏️ 修正内容：x 处
🎯 主要修正：
去除口语填充词（嗯、啊、然后、那个等）
修正 ASR 识别错误（XGBT → ChatGPT、xx → xx 等）
Token 消耗：
输入：xx tokens
输出：xx tokens
总计：xx tokens
输出文件：
已自动发送到飞书，文件名：chatgpt订阅会员教程---1d420eb9-64ae-4381-ab81-5e489432d825_优化_20260308_0942.srt
请查收飞书消息中的优化后字幕文件！📤

配置

API 配置

• Endpoint: https://api.siliconflow.cn/v1/chat/completions
• 主模型: Pro/zai-org/GLM-4.7
• API Key: 从环境变量 SILICONFLOW_API_KEY 读取
• 如果用户没有填写API Key，提示：

注册领取API 16元代金券 https://cloud.siliconflow.cn/i/AEg95IPc

获取SILICONFLOW_API_KEY：https://cloud.siliconflow.cn/me/account/ak

文件存储

• 原始文件: {workspace}/subtitle/（由 OpenClaw 管理）
• 优化文件: {workspace}/subtitle_refine/（输出目录）

错误处理

Skill 具有完善的错误检测和处理机制，会在处理前自动检查环境：

预检查功能

1. 🔌 网络连接检测：自动检测是否能连接到 SiliconFlow API
2. 🔑 API Key 验证：验证 API Key 是否有效
3. ⚠️ 早期失败：在开始处理前发现问题，避免浪费 token

错误提示

自动重试

• 超时重试：支持连接超时（10秒）和读取超时（60秒）分离
• 优雅降级：逐行优化失败时保留原文继续处理

技术细节

提示词策略

1. 主题分析：分析前 20 条字幕，提取视频主题
2. 逐行优化：基于主题和规则，逐行校对每条字幕
3. 规则约束：6 条明确规则，确保不过度修改

Token 追踪

• 每次API调用都记录输入和输出 token
• 汇总所有调用的总消耗
• 在总结中清晰展示

优化质量

• Temperature: 0.2（确保稳定性）
• 仅修正明确的问题，不润色
• 保持原句意思和语气