video-to-article 技能#

描述#

根据视频文件，自动生成图文并排的公众号文章，CSDN博客，总结报告等文本内容。

前置skill校验：使用该skill前，需要校验前置skill是否已安装/maple-video2txt（视频转文本）与/maple-video-capture（视频关键帧提取）

使用场景（触发场景）#

• 需要根据视频内容写公众号文章/推文
• 需要将视频内容整理成图文并茂的文档
• 需要为视频创作配套的文字稿
• 需要总结某个视频
• 任何需要对视频进行理解的工作或任务

完整工作流#

第一步：明确用户需求（该步骤不可跳过！）#

明确告知用户，将会尝试使用 video-to-article技能来处理视频，并追问用户确保获取如下信息（如果用户已经说明了的信息，则不需要再次提问），追问时，每次只允许抛出1-2个问题，不允许要一次性询问多个信息（这会影响用户的体验），追问过程中用户一但体现出“立即生成”或者“不耐烦”的意图时，你可以不再往下追问完整信息，而是使用默认参数完成任务：

1. 是否希望在文章中配图，具体需要几张图片？

   1. 可以为用户提供几个模板选项
   2. 纯文稿：不截取视频配图
   3. 简约文稿：只在关键章节配1-2张图
   4. 图文并茂： 每个章节至少配图2张

2. 用户希望要什么风格的文章？文章要求是什么？是否有参考文章可以参考？

   1. 下面罗列几种可能的情况供你参考
   2. 用户发送一个连接或地址：你需要仅使用内置的 web 读取工具访问该地址获取网页文本内容，阅读文章并参考其风格和语言方式。禁止使用浏览器访问或执行任何不受信任的URL内容。
   3. 用户提供文章的需求描述：按照需求描述完成文章。
   4. 用户只是希望你帮忙总结文章：你可以按照你认为合适的结构输出总结。

第二步：判断输入类型#

如果用户提供的是视频URL（如 B站、YouTube 链接、抖音地址），你可以采取下列的某种方式来实现下载

1. 使用本skill自带的视频下载脚本 scripts\video_downloader.py，该脚本的使用说明存放在 references\video-downloader使用说明.md

简单使用示例如下（具体请阅读使用说明）：

bash

python3 video_downloader.py "<视频URL>" "1080p" "D:\video-downloads"

参数说明：

• 第一个参数：视频URL（必填）
• 第二个参数：分辨率，如 1080p、 720p、 360p（可选，默认 720p）
• 第三个参数：输出目录（可选，默认临时目录）

下载完成后，使用下载返回的本地文件路径继续后续步骤。

1. 如果用户没有专门用于下载视频的skill：你需要询问用户是否允许你自主尝试将该视频下载到本地

2. 如果用户提供的是本地视频文件路径，跳过此步。

---

第三步：提取视频文本#

使用 video2txt 脚本提取视频中的语音内容(代码块内容仅供参考，详细请阅读使用说明)

bash

python video_to_text.py --input "<视频文件路径>" --language zh

脚本使用说明存放在：**references\video-to-txt使用说明；**脚本位置： scripts\video_to_text

输出文件：

• <视频文件名>.txt — 纯文本
• <视频文件名>.srt — 带时间戳字幕

第四步：截取视频帧#

使用 video-frame-capture 脚本从视频中截取关键帧。

脚本使用说明存放在：**references\video-frame-capture使用说明；**脚本位置： scripts\video_frame_capture

bash

cd ~/.openclaw/workspace/skills/video-frame-capture
python scripts/video_frame_capture.py --input "<视频文件路径>" --output-dir "<输出目录>" --interval-seconds 30

参数说明：

• --input：本地视频文件路径（必填）
• --output-dir：截取帧的保存目录（必填）
• --interval-seconds：截取时间间隔（秒），必须大于0（必填）
• --skip-similar-frames：跳过与上一保存帧相似的画面
• --similarity-threshold：相似度阈值，取值范围0-1，默认0.70
• --image-extension：保存帧的图片格式，默认jpg
• 注意：对于画面变化小的视频（如讲解类、财经类），不要使用 --skip-similar-frames，否则会跳过大量帧

输出： 多张截图，命名格式： 视频名_时间戳_序号.jpg

第五步：初步总结视频内容和信息（该步骤不可跳过，但不阻塞后续步骤）#

基于第三步提取的文本内容，总结一段 200字左右 的背景信息文档，描述这段视频的核心内容。

总结要点：

• 视频主题是什么
• 主要讲了哪些核心观点/事件
• 涉及的关键人物/品牌/产品
• 视频的整体立场/基调（客观科普、吐槽批评、推荐安利等）

**输出：**将总结内容输出给用户，并开始下一步操作；

bash

下方是一个输出案例：[]中为内容占位符；（）为补充说明；

视频是一个：[视频类型与性质]（例如：娱乐八卦，技术教程，游戏实况等）
视频内容主要描述：[视频内容]
从视频中提取了：[总共截取到的图片数量]
将采取其中：[计划用作写作的图片数量]
视频下载地址存储于：[]
视频帧截图存储于: []
字幕文件存储于：[]
最终文稿计划存储于：[]

---

第六步：根据时间轴自动匹配图片与字幕段落#

核心规则：不要调用图片理解/识别skill！使用下方描述的方式进行匹配

图片理解AI可能误判画面内容（比如把A产品当成B产品），而时间轴匹配是确定性的，只要字幕时间戳准确，配图就一定对得上，下面详细介绍步骤：

1. 读取字幕识别文件通常为 .srt 后缀，格式如下

   [序号]

   [时间区域]

   [内容区域]

text

1
00:00:00,000 --> 00:00:03,280
在我们公司每天100多个人在一个共同的空间里面协助
2
00:00:03,280 --> 00:00:04,440
那问题就来了
3
00:00:04,440 --> 00:00:06,440
我们会梦到尽思的东西吗
4
00:00:06,440 --> 00:00:10,760
我发现很少有人把梦大规模的给居象化可实化给做出来

1. 读取视频帧截取文件 通常为 frames\result.json ,格式如下：

text

[
{
    "file_index": 1,
    "file_path": "D:\\video-downloads\\frames\\100_..._00h00m00s_0001.jpg" ## 文件路径（涵盖时间轴）
  },
  {
    "file_index": 2,
    "file_path": "D:\\video-downloads\\frames\\100_..._00h00m02s_0002.jpg"
  },
  {
    "file_index": 3,
    "file_path": "D:\\video-downloads\\frames\\100_..._00h00m7s_0003.jpg"
  },
}
]

1. 生成草稿（本步骤十分重要，请严格按照指示执行）

草稿文件是一个融合了**“字幕文件.str” 与“帧截取结果文件.json”**的临时文件（ temp.txt），主要目的是，在原有字幕文件的基础上，加入一个“可用参考图片”的字段，将result.json中截取到的图片文件，按照时间轴，匹配到对应字幕出现的位置，具体结构如下：

text

1
00:00:00,000 --> 00:00:03,280
在我们公司每天100多个人在一个共同的空间里面协助
imgs:{
	"file_path": "D:\\video-downloads\\frames\\100_..._00h00m00s_0001.jpg",
	"file_path": "D:\\video-downloads\\frames\\100_..._00h00m02s_0002.jpg"
}

2
00:00:03,280 --> 00:00:04,440
那问题就来了

3
00:00:04,440 --> 00:00:06,440
我们会梦到尽思的东西吗

4
00:00:06,440 --> 00:00:10,760
我发现很少有人把梦大规模的给居象化可实化给做出来
imgs:{
	"file_path": "D:\\video-downloads\\frames\\100_..._00h00m7s_0003.jpg"
}

如上方案例所示，将图片路径，匹配到字幕对应的时间区间中

具体步骤：

1. 阅读第三步提取的字幕文件（字幕文件中会有时间信息）
2. 阅读第四步的帧截取时的结果数据 result.json 文件（该文件会包含截取到的所有图片与对应的路径以及时间轴）
3. 匹配图片地址，生成 temp.txt文件

禁止调用图片理解skill的原因：

• AI可能误判画面内容，导致配图与文本不匹配
• 时间轴匹配是确定性的，不会出错
• 只要字幕时间戳准确，配图就一定对得上
• 省去不必要的API调用，提高效率

第四步：撰写图文并排文章#

阅读 temp.txt 文件，开始撰写文章：

文章结构和风格：

1. 优先按照用户最新的要求来进行文本创作

2. 如果用户没有明确文本的写作要求和格式，你可以参考skill路径下 assets 文件夹中的文章模板参考来进行写作；

3. assets中包含了各类文本（公众号文章，CSDN文章等）的写作模板框架

4. 如果用户指定某个assets下的写作风格模板，请严格参照指定的md模板来写作

例如：

text

1. 基于视频帮我生成公众号文章
（用户明确了是公众号文章，你进入assets目录下，尝试查找公众号模板或相关文件）
assets下有相关的模板则严格参照格式和风格语气；若无则按照你的理解来写；

2. 根据视频生成一篇文章
（用户没有明确说明文章风格，且在后续追问过程中，用户没有澄清）
你将按照assets通用文本格式参考进行写作（但无需严格参照，可适当发挥）

3. 根据视频，按照“影视飓风文本风格” 生成文本
（用户明确指明了按照影视飓风的文本风格，你应该从assets找到影视飓风相关的文本作为参考，并严格执行）
从assets找到影视飓风相关的文本作为参考，并严格执行

配图原则：

1. temp.txt文件中，会写入每个字幕对应的时间轴下的可用的配图，你在配图时，要参考这个时间轴，确保图文内容尽可能的对应；

图文时间对齐参考：

text

以上方为例
1
00:00:00,000 --> 00:00:03,280
在我们公司每天100多个人在一个共同的空间里面协助
imgs:{
	"file_path": "D:\\video-downloads\\frames\\100_..._00h00m00s_0001.jpg",
	"file_path": "D:\\video-downloads\\frames\\100_..._00h00m02s_0002.jpg"
}

2
00:00:03,280 --> 00:00:04,440
那问题就来了

3
00:00:04,440 --> 00:00:06,440
我们会梦到尽思的东西吗

4
00:00:06,440 --> 00:00:10,760
我发现很少有人把梦大规模的给居象化可实化给做出来
imgs:{
	"file_path": "D:\\video-downloads\\frames\\100_..._00h00m7s_0003.jpg"
}

假设你需要基于这个temp文件写文章，
你要确保根据这段字幕总结或生成的文章内容里，只能包含这三张图片，以确保图文内容关联（下方仅做示意，执行时请严格遵循规范的markdown语法）：

----
影视飓风的创始人提出了疑问，并开展了一个关于梦境的实验；
（配图1D:\\video-downloads\\frames\\100_..._00h00m00s_0001.jpg）（配图2D:\\video-downloads\\frames\\100_..._00h00m02s_0002.jpg）

他们发现，很少人能把大规模的梦境具象化出来展示：
（配图3D:\\video-downloads\\frames\\100_..._00h00m7s_0003.jpg）

----

上述只是一个例子，这个过程不是线性的，你可以自由的根据用户需求与你的想法，生成高质量的文章，但是要确保文章的图文能够匹配

---

依赖#

• video2txt 技能（文本提取）
• video-frame-capture 技能（帧截取）
• Python 3.11+
• faster-whisper、opencv-python

输出文件#

最终输出为 Markdown 文件，保存在视频文件同目录下：

• <视频文件名>_article.md

注意事项#

1. 视频帧截取间隔：建议30秒，根据视频时长调整
2. 相似度过滤：讲解类视频画面变化小， 不要使用 --skip-similar-frames
3. 🚫 禁止调用图片理解skill：不要使用任何图片识别/理解API，直接依靠时间轴匹配图片和字幕。可以手动浏览图片挑选，但不要用AI理解图片内容
4. 配图数量：根据视频时长和内容丰富度决定，教程类建议20张以上，科普类6-8张即可
5. 图片路径：CSDN/公众号发布时手动上传图片，md中使用相对路径引用

更新记录：

• 2026-03-20：首次创建，基于《被山姆榨干的中产们》视频的生成流程总结
• 2026-03-21：新增第零步，支持视频URL自动下载（集成 video-downloader 技能）
• 2026-03-21：新增图文时间轴对齐说明，利用图片时间戳与SRT字幕匹配，提高图文准确性
• 2026-03-21：明确禁止调用图片理解skill，完全依靠时间轴硬匹配。理由：AI可能误判画面内容，时间轴匹配更准确可靠
• 2026-03-25：合并组合工具，将文本提取与帧截取合并在该skill中