Video Text Agent

一个可运行的本地 Agent：

1. 解析视频文件。
2. 优先使用已有字幕（外挂字幕或内嵌字幕）。
3. 没有字幕时自动提取音频并调用 OpenAI 语音转写。
4. 可选择输出语言（中文 zh / 英文 en）。
5. 输出为 Markdown 文件。

环境要求

• Python 3.10+
• FFmpeg（需包含 ffmpeg 和 ffprobe 命令）
• OpenAI API Key（仅在"无字幕需转写"时必需）

安装

pip install -r requirements.txt

使用

python video_text_agent.py <视频路径> --lang zh

示例：

python video_text_agent.py ./demo.mp4 --lang en --output ./demo_transcript.md

参数

• video：输入视频路径（必填）
• --lang：输出语言，zh 或 en（默认 zh）
• --output：输出 Markdown 路径（默认与视频同名 .md）
• --model：转写模型（默认 TRANSCRIBE_MODEL 或 gpt-4o-transcribe）

环境变量

• OPENAI_API_KEY：OpenAI API 密钥
• TRANSCRIBE_MODEL：默认转写模型（可选）

输出内容

生成的 Markdown 文件会包含：

• 源视频文件名
• 目标语言
• 使用方法（字幕 or 音频转写）
• 解析细节
• 最终文字内容

注意

• 如果视频包含可读字幕，Agent 会优先使用字幕，不调用转写。
• 如果字幕格式不规范，会进行基础清洗（时间轴、样式标签、提示词等）。
• 如果没有字幕，才会走音频转写流程。
• 长视频会自动按片段转写并合并，避免单次请求超出模型时长限制。
• 每个片段转写失败会自动重试（默认 3 次，指数退避）。
• 转写结果包含每个片段的时间戳标记（如 [00:00:00 - 00:20:00]）。