Porter Skill

Porter Skill (流媒体搬运工)

Porter Skill (porter-skill) 是专为 AI Agent 设计的跨平台（Windows / Linux）全自动流媒体搬运与熟肉制作流水线。

本仓库本身即为一个完整自包含的 Agent Skill 目录，可通过 skills 客户端一键安装或直接克隆至 Agent Skills 目录中使用：

# 推荐：使用 npx skills add 一键安装
npx skills add RolinShmily/porter-skill -g

# 或手动 Git Clone 到 Agent 技能目录
git clone https://github.com/RolinShmily/porter-skill.git ~/.pi/agent/skills/porter-skill

系统环境底线仅需 Python (>= 3.10) 与 FFmpeg。无需预装任何外部收费工具或本地 ASR 二进制。

核心设计与特性

1. 跨平台支持与极简系统依赖：
   • 深度支持 YouTube (youtube.com, youtu.be)、X / Twitter (x.com, twitter.com, t.co)、Instagram (instagram.com, instagr.am, ig.me)、TikTok (tiktok.com, vm.tiktok.com, vt.tiktok.com) 与 Bilibili (bilibili.com, b23.tv, bilibili.tv)；
   • 依赖严格控制在标准 Python 生态与 FFmpeg 范围内；
   • 具备秒级轻量预检探针（Pre-flight Probe），1 秒内完成短链展开、追踪参数清洗与有效性校验；
   • 具备画幅自适应排版（Aspect-Ratio Aware Styling）：横屏 16:9 与竖屏 9:16 自适应断句与底边距，开箱即用 100% 成功出片。
2. 通用 ASR 多引擎逐级回退与广播级人声增强（双轨隔离 + 纯 Python 零 Key 闭环）：
   • 双轨隔离声学增强 (raw/audio_enhanced.wav)：
     • Phase 1 提取时自动应用 FFmpeg 三合一广播级人声链（80~8000Hz 人声带通 + afftdn 自适应 FFT 降噪 + dynaudnorm 动态人声均衡），专供 ASR 识别；
     • Phase 4 最终成片压制依然保持 -c:a copy 直通复制原音母版（raw/video.mp4 & raw/audio.wav），100% 兼顾极高 ASR 字准率与成片纯净音色；
   • 当视频无原生字幕需 ASR 时，自动按优先级链式尝试： $$\text{Whisper API (若配Key)} \longrightarrow \text{Pure Python Bcut 必剪 (免Key免费/直连长音频)} \longrightarrow \text{Google Web STT + 双层VAD递归切片 (免Key免费)} \longrightarrow \text{VideoCaptioner CLI (可选增强)}$$
   • 对话/访谈长音频防丢字机制：Bcut ASR 采用独立 Session 直连并支持大音频分块上传；Google STT 具备双层 VAD + 10s 上限递归硬切片保护，彻底消除连续对话/播客场景的中后段断流丢字问题；
   • 在仅有 Python + FFmpeg 的极端环境下亦能 100% 独立完成语音转录。
3. 分层翻译与高可用容灾（LLM ➔ Bing ➔ Google ➔ MyMemory）：
   • 大模型增强（配置 LLM 时）：优先使用 DeepSeek / GPT 上下文语义纠错与优化；
   • 免配置多级容灾（未配 LLM 时）： $$\text{Pure Python Bing (Copilot 免费)} \longrightarrow \text{Google HTTP (多端轮换/反爬伪装)} \longrightarrow \text{MyMemory 免费 API 兜底} \longrightarrow \text{VideoCaptioner CLI}$$
   • 汉化质量自检（CJK 校验）：流水线内置中文字符自动检测与自愈机制，杜绝未翻译假熟肉。
4. 结构化台词本与中文意群断句（Transcript & Chinese Phrasing）：
   • 自动将破碎的 ASR / 平台字幕碎片按语法、静音间隙（$>0.6\text{s}$）与标点重构成完整的英文句子台词本（raw/transcript.json 与 raw/transcript.txt）；
   • 基于完整语句进行语义翻译（避免碎词直译导致语序颠倒）；
   • 根据中文句读与自然连词进行意群截断（单行 $\le 20$ 字），时间戳按意群字数比例平滑分配，彻底杜绝生硬截断与阅读疲劳。
5. 解耦字幕下载与反爬容错：
   • 字幕与音视频流下载解耦，若单一语言轨遭遇 429 不会丢弃已成功下载的源文字幕，避免误回退到慢速 ASR。
6. 两级规范输出目录：
   • 一级目录 raw/：标准化母版视频 (video.mp4)、基准音轨 (audio.wav)、ASR 增强音轨 (audio_enhanced.wav)、结构化台词本 (transcript.json, transcript.txt)、封面 (cover.jpg)、元数据 (metadata.json)、字幕源 (subtitle.srt)；
   • 二级目录 cooked/：双语/纯中文字幕 (.srt, .ass)、双语硬字幕熟肉 (video_bilingual.mp4)、纯中文硬字幕熟肉 (video_zh.mp4)。
7. 硬件分级与自适应极速压制：
   • 自动检测主机硬件算力（Tier A: NVENC/QSV 硬件加速、Tier B: 8+核多线程 CPU、Tier C: N100/树莓派轻量级算力）；
   • 依据硬件算力自适应调优压制预设（Preset: veryfast / ultrafast）与 CRF 编码质量，低功耗工控机压制耗时降低 60%+；
   • 媒体下载格式优选 1080p 并采用无损流复制（0.5 秒极速 Remuxing），杜绝二次重编码失真与画质降级；
   • 利用 FFmpeg libass 滤镜烧录双语及纯中文硬字幕，音频采用 -c:a copy 直通复制保持原视频音质。

目录结构说明

porter-skill/
├── SKILL.md                  # 核心技能规约 (name: porter-skill)
├── config.example.json       # 配置模板 (LLM / ASR / 字幕样式)
├── pyproject.toml            # Python 依赖与打包配置
├── README.md                 # 项目使用文档
├── references/               # 深度技术手册
│   ├── ARCHITECTURE.md       # 四阶段流水线与底层架构设计规范
│   └── CONFIG_GUIDE.md       # ASR 多引擎回退与配置手册
├── scripts/                  # 便捷执行与环境安装脚本
│   ├── run_porter.py         # 免安装直接运行入口
│   └── setup_env.sh          # 环境一键初始化脚本
├── porter_skill/             # Python 核心实现源码
└── tests/                    # 90 个自动化单元与集成测试

配置文件规范 (config.json)

可在 Skill 仓库根目录下复制 config.example.json 为 config.json 并配置：

{
  "llm": {
    "api_key": "sk-your-openai-or-deepseek-api-key",
    "api_base": "https://api.deepseek.com/v1",
    "model": "deepseek-chat"
  },
  "asr": {
    "engine": "bijian",
    "language": "auto",
    "whisper_api_key": "sk-your-openai-key",
    "whisper_api_base": "https://api.openai.com/v1",
    "whisper_model": "whisper-1",
    "audio_denoise": true
  },
  "style": {
    "zh_font": "Microsoft YaHei",
    "en_font": "Arial",
    "zh_font_size": 52,
    "en_font_size": 34,
    "zh_primary_color": "&H00FFFFFF",
    "en_primary_color": "&H0000FFFF",
    "outline_color": "&H00000000",
    "outline_width": 3.5,
    "shadow": 1.5,
    "margin_v": 35,
    "bilingual_zh_margin_v": 90,
    "bilingual_en_margin_v": 35,
    "fade_in_ms": 120,
    "fade_out_ms": 120
  },
  "cookies_browser": "chrome",
  "cookies_file": ""
}

详细配置说明请参阅 references/CONFIG_GUIDE.md。

常用命令与 Agent 指南

1. 链接快速预检与探活 (Pre-flight Probe)

# 1 秒内嗅探链接平台、时长、画幅比例与有效性（不产生实际下载）
python scripts/inspect_link.py "<URL>"
# 或通过主 CLI 参数
python -m porter_skill "<URL>" -i

2. 查看与管理配置

# 查看当前已生效配置（自动脱敏）
python -m porter_skill --config-show
# 或直接运行脚本
python scripts/run_porter.py --config-show

# 一键设置配置项
python -m porter_skill --config-set asr.engine="jianying"
python -m porter_skill --config-set llm.api_key="sk-..."

2. 环境自检

python -m porter_skill --doctor

3. 标准搬运执行（下载 + 提取 + 翻译 + 压制）

python -m porter_skill "<YOUTUBE_URL>" -o "./porter_output"

4. 进阶参数

• --skip-burn：仅提取素材和生成字幕，不执行视频硬字幕压制
• --only-bilingual：仅压制双语版本熟肉
• --only-zh：仅压制纯中文版本熟肉
• --cookies <file> / --cookies-from-browser <browser>：携带 Cookie 下载受限视频

智能体最佳实践与验证工作流 (Agent Best Practices)

当 AI 智能体（Agent）调用本 Skill 执行视频搬运任务时，应遵循以下闭环工作流：

1. 调用入口与虚拟环境自愈：
   • 使用绝对路径直接调用 runner 脚本： python <SKILL_DIR>/scripts/run_porter.py "<URL>" -o "./porter_output"
   • runner 脚本已内置虚拟环境自动探测与 os.execv 自举，无需手动激活环境或探测 Python 解释器。
2. 合理设置工具调用超时（Timeout Provisioning）：
   • 包含高清下载与双版本压制的完整流水线（尤其是 $>5$ 分钟的 1080P 60fps 视频），请在 bash 工具调用时提供充足的超时时间（如 timeout: 1200）；
   • 若遇到单次压制超时，重新执行相同命令即可——流水线内置断点续传（Phase 1~4 Checkpointing），会自动复用已完成的母版物料与字幕，秒级恢复断点。
3. 反爬与限流自愈：
   • 若遇到 YouTube 登录验证/429、Bilibili 大会员/SESSDATA 或 412 WAF 挑战，主动携带浏览器 Cookie 参数重试： python <SKILL_DIR>/scripts/run_porter.py "<URL>" -o "./porter_output" --cookies-from-browser chrome
4. 两阶段闭环质检验收 (Two-Stage Verification)：
   • 字幕质检：使用 read 工具抽检 cooked/subtitle_bilingual.srt 前 10 行，确认中文字幕行包含正常中文字符（CJK）；
   • 视频完整性核验：使用 ffprobe -v error -show_entries format=duration,probe_score -of default=noprint_wrappers=1:nokey=1 <video_path> 确认成片有效且 moov atom 索引完好，杜绝任何因中断导致的损坏文件。