抖音视频文案提取
一句话主餐
把用户可访问的视频材料还原为带时间定位的口播与字幕,清楚标出听不清和画面差异,不把摘要冒充原文。
输入
优先读取用户已经交来的材料,不要求重新抄写或重复上传可访问内容。
- 用户上传的视频、录屏、音频、字幕文件或可访问的公开视频链接
- 提取范围:口播、画面文字、发布配文或全部
- 是否保留时间戳、语气词、口误和说话人区分
开始前记录本轮范围、已有材料、输出位置与不能确认的事项。 只缺非关键偏好时,明确采用的默认值并继续完成初稿。 缺少核心原件时交付可执行的补料要求,不宣称已完成原件处理。 不得把示例数字、他人经历或工具猜测写成用户事实。
核心判断
视频口播、画面字幕、发布配文是不同来源,不混成一篇原文
链接可见不代表可以下载,无法读取就明确未提取
逐字稿保留原表达,整理稿只改标点和断句,改写另行交付
听不清用时间戳标记,不根据上下文补成确定话语
将每条重要信息标记为“材料明确”“用户补述”“编辑建议”或“待确认”。 标记只服务追溯;正式成品不堆内部操作记录。 遇到原材料自相矛盾,保留冲突位置,优先修复会改变结论的项。
编号工作流
1. 确认可访问材料
- 先识别本地文件、字幕或链接,记录来源名称和范围
- 链接不可用时请求上传已获授权的录屏、音频或字幕
- 不绕过登录、访问控制或平台限制
执行细则:材料登记使用“文件/链接|可读取?|已知总时长|用户指定范围|可用工具”。链接打不开时记录失败,不从标题猜视频内容。
验收与分支:没有媒体工具但已有字幕时可完成字幕整理;只有链接且不能读取时仅列补料项,本次状态为未提取。
2. 划分提取轨道
- 列出需要的口播、字幕、画面文字及发布配文
- 优先使用已有字幕,但检查其是否与音轨对应
- 纯截图只能提取画面文字,不推断未出现的音频
执行细则:分别建立口播轨、画面文字轨和发布配文轨。字幕文件是文字来源,未经回听不标“音频已核实”。
验收与分支:仅有截图就只交截图文字;页面上可见的发布配文按页面来源交付,不当作口播。
3. 转写音频与提取画面
- 使用当前可用转写或视觉工具,记录覆盖时间
- 按自然停顿分段,标注说话人变化
- 画面文字记出现时间,重复水印不混入正文
执行细则:对每个片段保留原媒体时间与文件内时间的偏移。例如截取原片 01:00 起的 10 秒,内部 00:03 对应原片 01:03。
验收与分支:使用可用 ASR 时记录语言及实际处理区间;字幕工具不可用可逐条解析已有 SRT/VTT,不许伪造识别过程。
4. 对齐并复核
- 口播与字幕不一致时保留两轨并注明差异
- 人名、数字、否定词和产品名优先回听
- 无法确认写作[听不清 00:xx],保留回查点
执行细则:优先复核数字、否定词、人名和说话人。听不清写“[听不清 00:03–00:05]”;候选词另记,不能默认为确定原话。
验收与分支:字幕与口播不同就并列差异;连续重复字幕可以合并出现区间,不删除真实重复说话。
5. 生成复制稿
- 逐字稿保留语气与口误,整理稿只断句和加标点
- 去重时注明连续重复字幕的合并范围
- 用户要改写时另列改写稿,不覆盖提取结果
执行细则:复制稿按“开始–结束|说话人|文本|来源轨”交付。时间未知写未知,禁止为了表格齐全编造秒数。
验收与分支:整理稿只加标点与断句;删口头禅、修语病或重排句子必须另标编辑版,并保留逐字稿。
6. 交付覆盖范围与缺口
- 交付文本、时间索引、差异及无法辨认片段
- 长视频未处理的区间显式列出,不称全量完成
- 用户补交清晰片段后只更新对应时间段
执行细则:用区间并集核算覆盖,重叠字幕不能重复累加;列明请求范围内的空缺和是否为无声,而非把空缺当作静默。
验收与分支:补交片段后沿用原片时间更新对应区间,重验前后边界。只有字幕整理完成不能称视频全量转写完成。
直接交付与下一步
可运行示例见 模拟输入与交付。该例标明验证范围;真实任务不得把样例验收当作实际媒体或文件验收。
交付顺序先放用户可以直接使用的成品,再列必要的核验说明。
- 可复制口播逐字稿或画面文字稿
- 时间戳与来源索引,含口播和字幕差异
- 提取覆盖范围及待核片段列表
完成与降级
- 全部约定范围有结果,关键事实可追溯,待确认项不会被误认成事实。
- 工具可用时实际检查生成文件;不能只返回一个未经验证的路径。
- 工具不可用时交付本地 Markdown 或对话文本,并准确说明未完成的文件能力。
- 不自行发送、发布、上传个人材料;外部动作依用户授权执行。
- 本轮先完成一个可用版本,用户交回具体段落、页面或时间点后定点修复。
- 修复保留旧版与来源对应,避免下一轮丢失已经确认的事实。
外部参考与延展
- 启动信号:字幕时间错位、重叠区间重复累计或字幕被误称为已回听口播。
- 优先入口:W3C WebVTT;先读用户已有规则,再定位一个具体失败环节。
- 观察与取舍:比较字幕 cue 的起止时间、重叠与轨道信息;ASR 能力另查当前工具官方文档,用“中文 time stamps diarization”定位机制,不按项目热度选型。
- 融入与验证:时间语义接入第 3、6 步;用同一段带重叠的字幕核对区间并集和原片偏移。换识别器必须对同段实际音频复听,只有字幕时不评估识别准确率。
- 如果官方入口不可访问,沿用已验证流程并列出未核事项;不把搜索摘要当成已读全文。
- 需要新的工具参数、现行规定或平台访问能力时,查官方当前说明并记录所用版本;不凭旧记忆填写。
- 用户事实只来自本人材料;外部案例只用来比较机制,不用于补造数据、经历或原文。
- 保留触发案例及旧输出,定位修改后用相同输入回归;只把可泛化规则写回技能,个人偏好留在个人材料中。
明确模拟的执行示范
模拟输入:用户提供转写片段,00:00–00:03“今天讲三个整理方法”;同段画面字幕为“3个整理方法”;00:03–00:05 音频模糊。
本轮成品:
口播逐字稿 00:00–00:03 今天讲三个整理方法。 00:03–00:05 [听不清,需补交清晰音频] 画面文字 00:00–00:03 3个整理方法 覆盖说明:仅整理用户提供的 5 秒片段,未访问原视频;未补写所谓“三个方法”。
验收:成品仅使用上述模拟输入;缺失内容没有被补成事实。 此演示验证文本判断与交付路径,不代表已调用媒体处理或文件生成工具。 真实调用仍需检查实际文件、页面或片段的覆盖范围。