chinese-video-transcribe-pdf

Chinese Video Transcription to PDF

将中文视频转写为结构化文本并生成专业中文PDF报告。

核心工作流

1. yt-dlp 下载视频
2. ffmpeg 抽出音频（16kHz PCM）  ← 关键步骤，避免视频解码问题
3. faster-whisper tiny/medium 模型转写（支持中文，无需字幕）
4. 整理 Markdown 报告内容
5. render_cn_report_pdf.py 生成 PDF

Step 1：下载视频

yt-dlp -f "bestvideo[ext=mp4]+bestaudio[ext=m4a]/best[ext=mp4]/best" \
  -o "~/Downloads/%(title)s.%(ext)s" "VIDEO_URL"

如下载中断，用 --force-overwrites 或直接重新运行（yt-dlp 自动续传）。

Step 2：抽出音频（关键）

视频编码（AV1等）可能导致 Whisper 卡在43% 解码位置。必须先抽出音频：

ffmpeg -i "INPUT.mp4" -vn -acodec pcm_s16le -ar 16000 -ac 1 /tmp/audio.wav -y

参数说明：

• -vn 不要视频
• -acodec pcm_s16le 线性PCM，避免压缩编码问题
• -ar 16000 Whisper 推荐的采样率
• -ac 1 单声道

Step 3：转写（faster-whisper）

不要用 openai-whisper CLI（输出 pipe 到 tail 时无法观察进度，且某些视频编码会卡住）。

用 Python API + faster-whisper：

from faster_whisper import WhisperModel

model = WhisperModel("tiny", device="cpu", compute_type="int8")
segments, info = model.transcribe(
    "/tmp/audio.wav",
    language="zh",
    vad_filter=True,
    vad_parameters=dict(min_silence_duration_ms=800)
)

results = []
for seg in segments:
    results.append({
        "start": round(seg.start, 2),
        "end": round(seg.end, 2),
        "text": seg.text.strip()
    })

# 保存为 JSON
import json
with open("/tmp/transcript.json", "w", encoding="utf-8") as f:
    json.dump({"segments": results, "language": info.language}, f, ensure_ascii=False, indent=2)

模型选择：

• tiny — 最快（3分钟左右转写40分钟），中文识别准确率已很好
• medium — 更准但更慢，适合关键内容

Step 4：生成 Markdown 报告

根据转写内容整理 Markdown 结构，使用中文标题和自然段落。

Step 5：生成 PDF

重要决策点： ReportLab 渲染器的输出质量偏基础（markdown 直转，无 CSS 精排，层次感弱）。当用户需要专业/咨询风格报告时（如对方明确说"排版太差""咨询风格"），跳过 ReportLab，使用 HTML+CSS+Chrome 导出。

路径 A：基础版 — ReportLab（快速，排版一般）

python3 $SKILL_DIR/../../../openclaw-imports/chinese-pdf-report/scripts/render_cn_report_pdf.py \
  --input /tmp/report.md \
  --output ~/Downloads/输出报告.pdf

字体自动注册：SongtiSC（正文）、HeitiSC（标题）、KaitiSC（引用）。