video-to-article 技能

---

name: video-to-article

description: 从视频生成图文并排的公众号文章（md格式）。支持本地视频文件或在线视频URL（自动下载），自动完成文本提取、视频帧截取、时间轴匹配、文章撰写全流程。

metadata: { "openclaw": { "emoji": "📝", "requires": { "bins": ["python3"] } } }

---

# 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（Markdown格式）。

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

完整工作流

第零步：判断输入类型（优先阅读skill，从skill中获取真实的执行路径，下发用例仅供参考）

**如果用户提供的是视频URL**（如 B站、YouTube 链接），先调用判断当前是否有用于下载视频的skill

并使用该skill下载这个视频：

video-downloader 技能下载视频：

python3 C:\Users\user\.openclaw\workspace\skills\video-downloader\scripts\video_downloader.py "<视频URL>" "1080p" "D:\video-downloads"

**参数说明：**

**下载完成后**，使用下载返回的本地文件路径继续后续步骤。

**如果用户提供的是本地视频文件路径**，跳过此步，直接从第一步开始。

---

第一步：提取视频文本（优先阅读skill，从skill中获取真实的执行路径，下发用例仅供参考）

使用 video2txt 技能提取视频中的语音内容。

cd ~/.openclaw/skills/video2txt
python video_to_text.py --input "<视频文件路径>" --language zh

**输出文件：**

第二步：截取视频帧（优先阅读skill，从skill中获取真实的执行路径，下发用例仅供参考）

使用 video-frame-capture 技能从视频中截取关键帧（优先阅读skill）。

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：**

**输出：** 多张截图，命名格式：`视频名_时间戳_序号.jpg`

第二点五步：总结视频背景信息

基于第一步提取的文本内容，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：**

**输出：** 将背景信息保存为临时变量，后续步骤使用。

---

第三步：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！直接用时间轴硬匹配即可。**

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。

**图片命名格式：** `视频名_00h01m30s_0003.jpg`

**SRT 字幕格式：**

4
00:02:15,000 --> 00:02:20,000
这里是字幕内容

**匹配算法：**

1. 解析所有截帧图片的文件名，提取时间戳，转为秒数，排序

2. 解析SRT字幕文件，提取每个字幕块的起始时间（秒数）

3. 对每张图片，找到时间戳最接近（≤15秒误差）的字幕块作为该图片的配对文本

4. 如果某张图片附近没有字幕（如纯画面/静音段），则跳过该图片

**具体步骤：**

1. 写一个Python脚本完成上述匹配逻辑

2. 输出一个配对列表：`{图片路径: 对应字幕时间段 + 文本内容}`

3. 按时间顺序排列，用于后续文章段落划分

4. 从配对列表中选择6-8张最有代表性的图片（均匀分布在整个视频时间轴上）

**禁止调用图片理解skill的原因：**

> **记住：提取字幕 → 时间轴匹配图片 → 直接写文章。跳过图片理解步骤。**

第四步：撰写图文并排文章

结合文本内容和图片，按照以下结构撰写公众号文章：

**推荐结构：**

# 文章标题

**导读：** 简短引言，吸引读者

![封面图](图片路径)

---

## 一、开篇（引入话题/背景）

![配图](图片路径)

内容...

---

## 二、核心问题（深入分析）

![配图](图片路径)

内容...

---

## 三、数据/证据（用数据说话）

![配图](图片路径)

内容...

---

## 四、竞争/对比（如有）

![配图](图片路径)

内容...

---

## 五、总结与展望

内容...

---

*来源说明*

**配图原则：**

1. 封面图放在导读后，用于视觉吸引

2. 每个大标题下至少配一张图

3. 图片要与所在段落内容呼应

4. 文章末尾可不配图，留给总结文字

**图文时间轴对齐方法：**

**文章风格：**

附：时间轴匹配脚本（timeline_matcher.py）

在 `scripts/` 目录下新建 `timeline_matcher.py`，用于自动完成时间轴匹配：

python scripts/timeline_matcher.py --frames-dir "<帧截图目录>" --srt "<SRT字幕文件路径>" --max-images 8

**功能：**

1. 扫描帧截图目录，解析文件名中的时间戳

2. 解析SRT字幕文件，提取所有时间段和文本

3. 将每张图片匹配到最近的字幕段落（15秒误差内）

4. 输出JSON格式的配对结果，包含图片路径、时间戳、对应字幕文本

5. 筛选出均匀分布在时间轴上的8张代表性图片

**输出示例：**

[
  {
    "image": "video_00h00m30s_0001.jpg",
    "timestamp_sec": 30,
    "srt_time": "00:00:32 --> 00:00:38",
    "subtitle_text": "今天我们来聊一个话题...",
    "selected": true
  },
  ...
]

**注意：** 第四步撰写文章时，直接使用脚本输出的 `subtitle_text` 作为配图所在段落的参考内容。

---

依赖

输出文件

最终输出为 Markdown 文件，保存在视频文件同目录下：

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

示例

示例1：本地视频文件

# 1. 提取文本
cd ~/.openclaw/skills/video2txt
python video_to_text.py --input "D:\videos\sam1.mp4" --language zh

# 2. 截取帧
cd ~/.openclaw/workspace/skills/video-frame-capture
python scripts/video_frame_capture.py --input "D:\videos\sam1.mp4" --output-dir "D:\videos\frames" --interval-seconds 30

# 3. 时间轴匹配图片与字幕
# 解析帧文件名时间戳，匹配最近的SRT字幕段落
# 可使用 timeline_matcher.py 脚本或手动匹配

# 4. 撰写文章，保存为 D:\videos\sam1_article.md

示例2：在线视频URL（B站）

# 0. 先下载视频
python3 C:\Users\陈凯宁\.openclaw\workspace\skills\video-downloader\scripts\video_downloader.py "https://www.bilibili.com/video/BV1xx" "1080p" "D:\video-downloads"

# 1. 提取文本（使用下载后的本地路径）
cd ~/.openclaw/skills/video2txt
python video_to_text.py --input "D:\video-downloads\视频标题.mp4" --language zh

# 2. 截取帧
cd ~/.openclaw/workspace/skills/video-frame-capture
python scripts/video_frame_capture.py --input "D:\video-downloads\视频标题.mp4" --output-dir "D:\video-downloads\frames" --interval-seconds 30

# 3. 时间轴匹配图片与字幕

# 4. 撰写文章

---

**更新记录：**