我让 AI 「扒视频」,从此再也不用手动扒视频和讲稿了

  最近我们团队一直在落地 AI Native 的 SDD 的团队研发工作流，疯狂学习各路最佳的实践经验。

上周末晚上，我在 YouTube 上刷到一个讲 AI 编程工作流的视频，十二分钟，中文，讲得挺好。

  我想把里面的内容整理成文字存下来。按照过去的做法，要么手动边听边敲，要么找个在线转录网站试试运气。YouTube 这个视频没有字幕，在线工具直接歇菜。

  我知道有个牛逼的 github 项目 yt-dlp，然后我想让 Claude Code 帮我造一个skill，利用这个现成工具的能力，以后动动嘴就可以下载自由。

  这个 Skill 干的事情很直接：你给它一个视频链接，不管是 YouTube、B站、抖音、头条还是小红书，它自动把视频下载下来，提取音频，用 Whisper 做语音识别，最后生成一份干干净净的 Word 文档。

  从动念到第一版可用，大概二十分钟。

 如果大家觉得有需求，可以留言，我把 skill 分享给大家。我也还在打磨，如果大家都觉得有用，我后续放到 github 上开源。

  一个视频引发的需求

  事情的起因很朴素。那天晚上我在看的是一个关于 Superpowers 工作流的介绍视频。视频作者演示了如何用这套开源的 Skill 系统在 Claude Code 里做 TDD开发，从需求澄清到代码审查全流程自动化。

内容密度不低，我想存一份文字版方便回看。

  打开 yt-dlp 一查——没有字幕。YouTube 上很多中文视频都是这样，作者不上传字幕，平台的自动字幕对中文的支持也时好时坏。

  如果是两年前，这事就到这了。没字幕就没字幕，手动扒太累，算了。

  但现在的情况不一样了。Whisper 已经是一个非常成熟的本地语音识别模型，base 模型 74MB，中文识别准确率相当不错。ffmpeg 提取音频是标准操作。yt-dlp能下载几乎所有主流视频平台的内容。这些工具都在，缺的只是一个把它们串起来的流程。

  而 Claude Code 的 Skill 系统，恰好就是干这个的。

  Skill 是什么，为什么它有意思

  这里有必要解释一下 Claude Code 的 Skill 机制，因为这是整件事的关键。

  Skill 本质上是一份 Markdown 文档，里面写的是一套工作流程的详细描述：什么时候触发、需要哪些工具、按什么步骤执行、异常情况怎么处理。当你在 Claude Code里提到相关需求的时候，它会自动加载对应的 Skill，然后按照流程一步步走。

  有意思的是，Skill 不是代码库，不是 API，不是插件。它更像是一份「给 AI 看的 SOP」。你把经验和流程写成文档，AI 读了之后就知道该怎么做。

  我之前在 Claude Code 里用过不少 Skill——有做 TDD 的，有做代码审查的，有做计划编写的。这些 Skill 的共同特点是：它们把一个有经验的工程师的工作方式固化下来，让 AI 在执行任务时不会乱来。

  但那些都是别人写的 Skill。这一次，我想自己造一个。

  造一把瑞士军刀

  第一版很简单，只处理 YouTube 视频：用 yt-dlp 下载字幕，解析 VTT 格式，去掉时间戳，生成 Word 文档。五分钟搞定。

  但我很快发现一个问题：YouTube 的字幕覆盖率没有想象中那么高。我日常看的中文技术视频，大概一半以上是没有字幕的。一个只能处理有字幕视频的工具，使用范围太窄了。

  于是加了 Whisper。这是第一次升级：当 yt-dlp 拿不到字幕时，自动提取音频，跑 Whisper 做语音转文字。这一下子把适用范围拉宽了——理论上，只要视频里有人说话，就能出文字。

  然后我想到另一个问题。

  我平时看的视频不只是 YouTube。B 站的技术分享、头条上的新闻解读、抖音上偶尔刷到的好内容、甚至微信视频号里的直播回放——这些平台各有各的防盗链机制，各有各的视频格式。一个只支持 YouTube的工具，等于只覆盖了我需求的三分之一。

  我之前做过一个脚本，专门用 Playwright 浏览器自动化来下载头条视频。原理不复杂：用 headless 浏览器打开视频页面，从 DOM 里找到 <video> 标签的 src 属性，拿到真实视频地址后用 requests下载。这个方案的好处是通用性强，几乎任何能在浏览器里播放的视频都能这么抓。

  于是第二次升级：我让 Claude Code 参考这个头条脚本，把 Playwright 方案整合进来，作为 yt-dlp 的兜底策略。

  最终的架构变成了这样：

  1. 自动识别视频平台（YouTube、B 站、抖音、头条、西瓜、小红书、知乎、微信视频号、快手、微博，以及任何未知平台）

  2. 优先用 yt-dlp 下载（它原生支持上面大部分平台），失败则自动切换到 Playwright 浏览器方案

  3. 转录走三层：先试字幕，没字幕跑 Whisper，Whisper 也不行就从视频元数据里提取摘要

  4. 最后生成格式规范的 Word 文档

  从一个只能处理 YouTube 有字幕视频的小脚本，变成了一把支持十多个平台、能处理任何有人声内容的瑞士军刀。而且因为是 Skill的形式，以后每次用只需要说一句「帮我提取这个视频的讲稿」，它就自动跑起来了。

  一个体感：造工具比用工具更有意思

  我自己用这个 Skill 处理了二十多个视频，有几个体感可以分享。

  第一，Whisper 的中文识别能力比我预期的要好。base 模型跑一个十分钟的视频，在 M 系列 Mac 上大概三四分钟（我是 M5)，准确率能到 85% 以上。主要的错误集中在专有名词上——「Claude Code」会被识别成「cada  code」，「Skill」会变成「scale」，但上下文语义是对的，手动改几个关键词就行。（我试验过程中没翻车）

  第二，yt-dlp 对中国视频平台的支持比想象中完善。B 站、抖音、头条、西瓜、小红书、知乎，它都有对应的 extractor。唯一需要 Playwright兜底的是微信视频号，因为它的视频地址需要在浏览器环境里才能解析。

  第三，也是我觉得最重要的一点：造工具这件事本身，比我预想中快得多。

  过去，如果我想做一个支持十个平台的视频转录工具，光是调研每个平台的反爬机制、调试各种 edge case，没有一两周下不来。现在的情况是：我描述清楚需求和约束，Claude Code帮我写代码，我来做架构决策和质量把关。四十分钟出第一版，隔了一天花一个小时做了多平台扩展。

  这里有个微妙的变化值得注意。

  过去我们用 AI 编程助手，大部分时间在让它帮我们写业务代码——实现某个功能，修某个 bug，重构某段逻辑。这些都是「在项目内部」的事。

  但造 Skill 是另一回事。你不是在写一个项目的代码，你是在造一个工具。这个工具以后可以反复使用，可以给别人用，可以不断迭代。而且因为 Skill 的载体是 Markdown +脚本，它天然就是可移植的——今天在我的 Claude Code 里用，明天可以搬到 OpenCode 里用。

  从「AI 帮我写代码」到「AI 帮我造工具」，这中间差了一个认知台阶。

  这件事背后更大的图景

  我的判断是这样的：AI 编程的下一步，不是写更多代码，而是贴合自己的团队及项目场景实际情况，建更多可复用的工作流。

  现在大家谈 AI 编程，还是主要在说「AI 生成代码的准确率」「一次通过率」「能不能处理大型项目」。这些当然重要。但如果你真的在日常工作中深度使用 AI编程助手，你会发现一个规律：重复出现的需求，用 Skill 固化一次，以后就是零成本复用。

  我做视频转录的需求，第一次花了十分钟。第二次、第三次、第一百次，每次只需要一句话加一个链接。

  这跟软件工程里「不要重复自己」的原则是一回事。只不过过去我们 DRY 的对象是代码，现在 DRY 的对象变成了工作流。

  而且 Skill 这个形态有一个特别好的属性：它是声明式的。你不需要精确控制每一步的实现细节，你只需要描述「这件事应该怎么做」，AI 会根据当前环境选择最合适的执行方式。比如我的视频转录 Skill里写了「如果 yt-dlp 失败，则使用 Playwright 兜底」——至于 Playwright 具体怎么查找 video 标签、怎么处理协议相对 URL，这些实现细节是 AI 根据 Skill 描述自己搞定的。

  这意味着，即使你不是一个很强的程序员，只要你能把一个工作流程描述清楚，你就能造出有用的工具。

  我能感觉到，这件事的想象空间比「让 AI 帮我写一个函数」大得多。

  几个实用场景

  最后说几个我自己在用的场景，供参考。

  技术学习：看到一个不错的技术分享视频，提取讲稿存到笔记里。视频内容的检索性很差，但文字可以全文搜索。

  内容创作：做播客或者视频内容的人，可以用这个工具快速生成初稿。Whisper 出的文字虽然有些许瑕疵，但作为初稿已经省了大量工作。

  会议记录：把录屏或者会议录像丢进去，自动出文字版。比市面上很多收费的会议转录工具都好用，因为它跑在本地，数据不出本机。

  跨语言内容：Whisper 支持多语言自动检测。英文视频转录后，还可以让 AI 翻译成中文。一条龙。

  竞品分析：想了解某个竞品的产品发布会讲了什么，但没时间看完一小时的视频。提取文字后五分钟扫完。

  这些场景有一个共同点：它们都不是什么惊天动地的大需求，但每一个都在日常工作中反复出现。过去我们要么忍着手动做，要么花钱买 SaaS 服务。现在，一个 Skill 就够了。

  这大概就是 AI 工具链真正有用的地方——它不需要解决多么宏大的问题，它只需要把那些你一直在忍受的小摩擦消除掉。

  日积月累，这些省下来的时间和精力，会是一个可观的数字。

  2026 年 5 月 12 日

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～

谢谢你看我的文字，我们，下次再见。