kscz0000 视频内容提取器
概述
自动从 MP4 视频文件中按可配置的时间间隔提取关键帧，对每帧执行 OCR 文字识别，并生成结构化的 Markdown 报告。报告包含视频元数据（时长、分辨率、编解码器）以及按帧排列的 OCR 转录文本和对应时间戳。
本技能面向 Codex CLI 设计，要求本机已安装 FFmpeg 和 Tesseract OCR。
适用场景
- 需要从演示视频、讲座或录屏中提取文字内容时使用。
- 想要为不含内嵌字幕的视频文件生成可搜索的转录文本时使用。
- 需要以编程方式分析视频内容并生成结构化摘要时使用。
- 当用户要求"读取屏幕上显示的内容"或"提取这段视频的内容"时使用。
工作原理
步骤 1：分析视频元数据
技能使用 ffprobe 提取视频元数据：时长、分辨率、帧率、编解码器信息以及文件大小。
步骤 2：提取关键帧
通过 FFmpeg，技能按配置的间隔（默认每 30 秒）捕获帧，每一帧保存为带时间戳的 JPEG 图像。
步骤 3：OCR 文字识别
每一帧由 Tesseract OCR 处理。若默认 PSM 模式未返回有效文本，将回退到全自动页面分割模式。
步骤 4：生成 Markdown 报告
所有提取到的数据将合并为一份结构化的 Markdown 文档。
示例
示例 1：基本提取
智能体提示词： 使用 video-content-extractor 技能从 lecture.mp4 中提取内容
输出将生成 lecture.md 和 lecture_frames/ 目录。
示例 2：自定义间隔
参数：video_path、output_dir、interval（秒）、lang 每 60 秒提取一次，仅识别英文： python scripts/extract_video.py recording.mp4 ./output 60 eng
示例 3：双语内容
使用默认中文 + 英文 OCR 提取： python scripts/extract_video.py lecture.mp4 . 15 chi_sim+eng
最佳实践
- 对于画面切换频繁、文字变化快的快节奏内容，使用较短的间隔（10-15 秒）。
- 对于演示幻灯片或节奏较慢的讲座，使用较长的间隔（30-60 秒），以减少重复帧。
- 处理中文内容时，请确保已安装 Tesseract 中文语言包（chi_sim）。
局限性
- 要求本机已安装 FFmpeg 和 Tesseract OCR，并可通过 PATH 访问。
- Tesseract OCR 的识别准确率取决于视频质量、文字大小和字体清晰度。
- 不提取音频，也不执行语音转文字。
- 抽帧基于固定时间间隔（而非场景切换），因此可能产生近似重复的帧。
- 大体积视频配合短间隔会生成大量帧，请确保磁盘空间充足。
安全注意事项
- 本技能仅读取视频文件，并写入抽帧结果和 Markdown 报告。
- 不会通过网络发送任何数据，所有处理均在本地完成。
- FFmpeg 和 Tesseract 均使用固定且经过预先审核的参数调用。
- 技能不会修改或删除原始视频文件。
常见问题
问题：Tesseract 返回乱码文本 解决：确认已安装正确的语言包。运行 tesseract --list-langs 进行验证。
问题：FFmpeg 报"not found" 解决：确认 FFmpeg 已在 PATH 中。运行 ffmpeg -version 进行验证。
问题：大体积视频 OCR 速度慢 解决：增大 interval 参数以减少处理的帧数。
相关技能
- @media-summarizer — 借助视觉和音频线索对视频内容进行摘要。
- @document-ocr — 对静态图像或扫描文档进行 OCR，不涉及视频处理。