视频字幕提取器（YouTube + Bilibili）

检测平台 → 下载字幕 → 清理 → 保存原始内容 → 生成摘要

步骤 1 — 确保 yt-dlp 可用

if ! command -v yt-dlp &>/dev/null; then
  echo "yt-dlp 未找到，正在安装..."
  pip install -q yt-dlp || pip3 install -q yt-dlp
fi
yt-dlp -U --quiet 2>/dev/null || true

如果安装失败，请停止并提示用户手动安装 yt-dlp（使用 pip install yt-dlp 或 brew install yt-dlp）。

步骤 2 — 检测平台并下载字幕

根据 URL 判断是 Bilibili 还是 YouTube，并采用相应的策略。

URL="<用户提供的 URL>"
TMPDIR=$(mktemp -d)
SUB_FILE=""
SUBTITLE_LANG=""

# 检测平台
if echo "$URL" | grep -qE '(bilibili\.com|b23\.tv)'; then
  PLATFORM="bilibili"
  SITE_NAME="Bilibili"
  SITE_DOMAIN="bilibili.com"
else
  PLATFORM="youtube"
  SITE_NAME="YouTube"
  SITE_DOMAIN="youtube.com"
fi

Bilibili 分支

Bilibili 字幕需要登录凭据。始终使用 cookies 文件——若文件缺失或已过期（超过 30 天），则从 Chrome 中刷新：

if [ "$PLATFORM" = "bilibili" ]; then
  BILI_COOKIES="${BILIBILI_COOKIES_FILE:-$HOME/bilibili_cookies.txt}"

  NEED_REFRESH=false
  if [ ! -f "$BILI_COOKIES" ]; then
    NEED_REFRESH=true
  elif [ "$(find "$BILI_COOKIES" -mtime +30 2>/dev/null | wc -l | tr -d ' ')" -gt 0 ]; then
    echo "Bilibili cookies 已超过 30 天，正在刷新..."
    NEED_REFRESH=true
  fi

  if [ "$NEED_REFRESH" = true ]; then
    echo "从 Chrome 读取 cookies（一次性的密钥链提示）..."
    yt-dlp --cookies-from-browser chrome --cookies "$BILI_COOKIES" \
      --skip-download -i "https://www.bilibili.com/" 2>/dev/null
  fi

  COOKIE_ARGS="--cookies $BILI_COOKIES"

  # 获取可用字幕语言列表 —— 捕获 stderr 以检测登录失败
  LIST_OUTPUT=$(yt-dlp --list-subs $COOKIE_ARGS "$URL" 2>&1)
  if echo "$LIST_OUTPUT" | grep -qi "login\|not logged\|需要登录\|please log"; then
    echo ""
    echo "❌ Bilibili cookies 已过期或无效。"
    echo "   修复方法：删除 cookies 文件后重试 —— 它将重新从 Chrome 读取。"
    echo "   rm \"$BILI_COOKIES\""
    rm -rf "$TMPDIR"
    exit 1
  fi
  AVAIL_LANGS=$(echo "$LIST_OUTPUT" | awk '/^[a-z]/{print $1}' | grep -v "^Language$")

  # 优先尝试 ai-zh，然后是 zh 变体，最后是 en
  for lang in ai-zh zh-Hans zh-CN zh en; do
    if echo "$AVAIL_LANGS" | grep -q "^${lang}$"; then
      yt-dlp \
        --write-sub \
        --sub-langs "$lang" \
        --skip-download \
        --retries 3 \
        -o "$TMPDIR/bili_%(id)s" \
        $COOKIE_ARGS \
        "$URL" 2>/dev/null
      SUB_FILE=$(ls "$TMPDIR"/*.${lang}.* 2>/dev/null | head -1)
      if [ -n "$SUB_FILE" ]; then
        SUBTITLE_LANG="$lang"
        break
      fi
    fi
  done
fi

YouTube 分支

if [ "$PLATFORM" = "youtube" ]; then
  for lang in zh-Hans zh-CN zh en; do
    yt-dlp \
      --write-subs \
      --write-auto-subs \
      --sub-langs "$lang" \
      --skip-download \
      --sub-format vtt \
      --retries 3 \
      --sleep-requests 1 \
      -o "$TMPDIR/yt_%(id)s" \
      "$URL" 2>/dev/null
    SUB_FILE=$(ls "$TMPDIR"/*.${lang}.vtt 2>/dev/null | head -1)
    if [ -n "$SUB_FILE" ]; then
      SUBTITLE_LANG="$lang"
      break
    fi
    sleep 1
  done
fi

若未获取到字幕则失败

if [ -z "$SUB_FILE" ]; then
  echo "此视频未找到字幕。"
  echo "  - 无手动上传的字幕"
  echo "  - 无自动生成的字幕"
  echo "缺少字幕无法继续处理。"
  rm -rf "$TMPDIR"
  exit 1
fi

步骤 3 — 清理字幕文件 → 纯文本

检测格式（SRT 或 VTT），并进行相应清理：

EXT="${SUB_FILE##*.}"

if [ "$EXT" = "srt" ]; then
  # SRT：移除序号、时间戳、HTML 标签、去重
  grep -v "^[0-9]*$" "$SUB_FILE" \
    | grep -v "^[0-9][0-9]:[0-9][0-9]:[0-9][0-9],[0-9]* --> " \
    | sed 's/<[^>]*>//g' \
    | grep -v "^$" \
    | python3 -c "
import sys, html
seen = set()
for line in sys.stdin:
    line = html.unescape(line).strip()
    if line and line not in seen:
        seen.add(line)
        print(line)
        print()
" > "$TMPDIR/cleaned.txt"
else
  # VTT
  sed 's/<[^>]*>//g' "$SUB_FILE" \
    | grep -v "^WEBVTT" \
    | grep -v "^NOTE" \
    | grep -v "^Kind:" \
    | grep -v "^Language:" \
    | grep -v "^[0-9][0-9]:[0-9][0-9]:[0-9][0-9]" \
    | grep -v "^$" \
    | python3 -c "
import sys, html
seen = set()
for line in sys.stdin:
    line = html.unescape(line).strip()
    if line and line not in seen:
        seen.add(line)
        print(line)
        print()
" > "$TMPDIR/cleaned.txt"
fi

步骤 4 — 确定输出目录并设置文件名

OUTPUT_DIR="${YOUTUBE_SUBTITLES_DIR:-.}"
mkdir -p "$OUTPUT_DIR"

使用原视频标题作为文件名。仅移除 macOS 不支持的字符（/ 和 ASCII 冒号 :）；保留其他所有字符，包括全角标点符号（如 ：、《》、、）。限制长度为 100 个字符：

SLUG=$(echo "<title>" | python3 -c "
import sys
title = sys.stdin.read().strip()
title = title.replace('/', '').replace(':', '')
print(title[:100])
")

步骤 5 — 获取视频元数据

使用 $COOKIE_ARGS（在步骤 2 中设置；YouTube 为空，Bilibili 为 --cookies FILE）

yt-dlp --dump-json --no-playlist $COOKIE_ARGS "$URL" 2>/dev/null \
  | python3 -c "
import json, sys
d = json.load(sys.stdin)
desc = d.get('description','')
first_para = desc.split('\n\n')[0].replace('\n',' ')[:300]
chapters = d.get('chapters') or []
chapter_lines = '\n'.join(f'  - \"{int(c[\"start_time\"]//60)}:{int(c[\"start_time\"]%60):02d} {c[\"title\"]}\"' for c in chapters)
cats = d.get('categories') or []
print('TITLE:', d.get('title',''))
print('CHANNEL:', d.get('uploader',''))
print('DURATION:', d.get('duration_string',''))
print('DATE:', d.get('upload_date',''))
print('DESCRIPTION:', first_para)
print('CATEGORY:', cats[0] if cats else '')
print('CHAPTERS:')
print(chapter_lines)
"

步骤 6 — 保存原始字幕文本

写入文件 $OUTPUT_DIR/$SLUG.md：

NOW=$(date +"%Y-%m-%dT%H:%M")
WORDS=$(wc -w < "$TMPDIR/cleaned.txt" | tr -d ' ')

---
title: "<title>"
source: "<URL>"
author:
  - "[[<channel>]]"
published: "<YYYYMMDD>"
description: "<DESCRIPTION>"
tags:
  - "<PLATFORM>"
ctime: "<NOW>"
mtime: "<NOW>"
words: "<WORDS>"
site: "<SITE_NAME>"
domain: "<SITE_DOMAIN>"
channel: "<channel>"
duration: "<duration>"
category: "<CATEGORY>"
subtitle_lang: "<SUBTITLE_LANG>"
chapters:
<CHAPTERS or empty>
type: "source"
---

<完整的清洗后字幕文本>

步骤 7 — 检查长度并准备摘要输入

CHARS=$(wc -c < "$TMPDIR/cleaned.txt" | tr -d ' ')

• 若字符数 ≤ 120000：直接使用完整清洗后的文本作为摘要输入。
• 若字符数 > 120000：需先执行分治处理（步骤 8），再将合并后的要点作为摘要输入。

步骤 8 — 长字幕的分治处理（仅当字幕超过 12 万字符时）

将文本拆分为约每块 10,000 字符的片段：

python3 - <<'EOF'
text = open("$TMPDIR/cleaned.txt").read()
size = 10000
chunks = [text[i:i+size] for i in range(0, len(text), size)]
for i, chunk in enumerate(chunks):
    print(f"=== CHUNK {i+1}/{len(chunks)} ===")
    print(chunk)
EOF

对每个片段，提取结构化笔记，格式如下：

TOPIC: [该片段的推断主题名称，例如“AI泡沫评估”]
- [关键观点或事实 — 2 句话：内容陈述 + 支持细节]
- [关键观点或事实 — 2 句话]
...
QUOTES: [1–3 条值得保留的原文引用]
DATA: [任何具体数字或指标]

每块提取 8–12 个条目。收集所有结构化笔记，按主题归类，作为步骤 9 的摘要输入。在传递给步骤 9 前，需合并相同主题下的跨块笔记。

步骤 9 — 生成摘要

确定摘要语言：

if [ -n "$YOUTUBE_SUBTITLES_SUMMARY_LANG" ]; then
  SUMMARY_LANG="$YOUTUBE_SUBTITLES_SUMMARY_LANG"
elif [[ "$SUBTITLE_LANG" == zh* ]]; then
  SUMMARY_LANG="zh"
else
  _SYS_LANG="${LANG:-${LANGUAGE:-}}"
  case "$_SYS_LANG" in
    zh*) SUMMARY_LANG="zh" ;;
    *)   SUMMARY_LANG="en" ;;
  esac
fi

使用步骤 7 或 8 提供的摘要输入，生成摘要正文（所有章节），并先写入临时文件：

cat > "$TMPDIR/summary_body.md" <<'SUMMARY_EOF'
<生成的摘要章节内容>
SUMMARY_EOF
SUMMARY_WORDS=$(wc -w < "$TMPDIR/summary_body.md" | tr -d ' ')

然后将前文和正文合并，写入最终文件 $OUTPUT_DIR/$SLUG-summary.md，语言为 $SUMMARY_LANG：

cat > "$OUTPUT_DIR/$SLUG-summary.md" <<EOF
<前文信息>
EOF
cat "$TMPDIR/summary_body.md" >> "$OUTPUT_DIR/$SLUG-summary.md"

前文模板：

---
title: "<title>"
source: "<URL>"
author:
published: "<YYYYMMDD>"
description: "<DESCRIPTION>"
tags:
  - "<PLATFORM>"
ctime: "<NOW>"
mtime: "<NOW>"
words: "<SUMMARY_WORDS>"
site: "<SITE_NAME>"
domain: "<SITE_DOMAIN>"
channel: "<channel>"
duration: "<duration>"
category: "<CATEGORY>"
subtitle_lang: "<SUBTITLE_LANG>"
chapters:
<CHAPTERS or empty>
type: "source"
lang: "<SUMMARY_LANG>"
---

章节标题必须与摘要语言一致。根据语言选择对应标题：

**英文 (en)：**

## Overall Summary / ## Topic Chapters / ## Key Quotes / ## Novel Ideas / ## Counter-intuitive Views / ## Core Tensions / ## Methodology / ## Key Data

**中文 (zh)：**

## 总体摘要 / ## 话题章节 / ## 关键引用 / ## 新颖观点 / ## 反直觉观点 / ## 核心张力 / ## 方法论 / ## 关键数据

语气与归属说明

直接陈述内容。禁止在每条要点前添加归属语句，如“X 认为”“X 指出”“X 表示”“据 X 所述”等，无论何种语言。说话人已在前文中明确标识，重复其姓名是冗余信息。应直接陈述观点本身。

错误示例：“演讲者认为 API 业务没有护城河，因为用户毫无忠诚度。”

正确示例：“API 业务没有护城河——用户会立即转向更便宜或更好的替代方案。”

深度要求（适用于所有章节中的所有要点）

每个要点必须包含 2–3 句话以上：

1. 主张：明确陈述具体观点或事实
2. 理由 / 证据：提供支持依据、举例或数据（如有必要可引用原文）
3. 细微之处或影响：指出限制条件、后果或“所以呢”——读者需要理解的关键点

单句要点不可接受。若无法写出 2–3 句话来阐述某一点，说明该点过于薄弱，应直接省略，而非强行填充。

各章节内容规则

• 总体摘要 / 总体摘要：用 3–5 句话综合全文内容，随后列出“最值得关注的几个点 / Key Highlights:”的要点列表（3–5 项）。每项需包含 2–3 句话，具体且非泛泛而谈，体现对忙碌读者最有价值的惊人发现或核心洞见。

• 话题章节: 识别4–8个主要讨论话题。每个话题下撰写一个 ### [话题名称] 小节，包含3–5个要点，每条2–3句话。话题应反映实际对话流程（例如“OpenAI战略”、“AI泡沫评估”、“中美对比”、“投资哲学”）。涵盖所有重要话题——不要因某话题看似次要就忽略。即使是短暂或个人化的片段（如电视节目类比、提及的爱好），只要承载有意义的思想，也应单独设立小节。

• 关键引用: 从转录文本中摘录原文引语，使用块引用格式。目标为10–15条引语；优先选择生动、具体或能体现说话人立场的原话。每条引语后附加一句上下文说明（谁说的，在何种情境下）。

• 新颖观点: 提出新颖、少见或重新诠释常见概念的想法。每条包含：明确陈述该观点（2–3句，含理由）。不包括已主流化的内容。

• 反直觉观点: 与普遍认知相悖的主张。格式为：普遍认知：[X] → 真实主张：[Y] —— 然后用1–2句话解释为何Y不明显，并说明支持它的依据。

• 核心张力: 对立力量、未解决的争论或结构性矛盾。每项张力需命名双方（每方2–3句），并注明说话者是否解决该矛盾，或保持开放。

• 方法论: 框架、决策流程、启发式方法或分步操作方式。每项描述：说明其内容、如何应用、解决什么问题。多步骤过程可使用子列表展开。

• 关键数据: 具体数字、统计数据、指标或明确比较。需注明来源背景（谁提到、关于什么）。不得虚构数据——仅收录转录文本中明确出现的数值。

省略源内容无关的任何部分。不得编造信息。

第10步 —— 清理并生成报告

rm -rf "$TMPDIR"

原始文件: $OUTPUT_DIR/$SLUG.md
摘要文件: $OUTPUT_DIR/$SLUG-summary.md