我做了一个本地工具，把视频下载、AI转录和AI摘要串成了一条流水线
很多时候，我们真正想要的并不是“把视频下载下来”。
我们想要的，往往是视频里的内容。
比如看到一场访谈、一个课程、一段演讲，第一反应可能不是收藏链接，而是想把里面的信息沉淀下来：
问题在于，这件事听起来简单，做起来却很碎。
通常你得先下载视频，再想办法提取字幕；如果没有字幕，就得跑语音转文字；转成文本之后，如果内容太长，还得再交给大模型做摘要和关键词提炼。
这中间往往会穿插好几个脚本、几套配置、不同格式的输出，遇到环境问题还要手动排查 FFmpeg、cookies、浏览器驱动。
所以后来我干脆把这条链路重新整理了一遍，做成了一个本地 CLI 工具：video-link-pipeline。
它想解决的，不是某一个孤立问题，而是把视频下载、字幕获取、Whisper AI 转录、大模型 AI 摘要、字幕转换和环境诊断统一成一条可以真正跑起来的本地流水线。
为什么我会想做这个工具
一开始我遇到的其实是一个很常见的问题：
视频内容越来越多，但真正能被沉淀、被复用的内容并不多。
原因不是内容不够好，而是处理链路太碎了。
你可能会遇到这些情况：
- 想自动化处理一批内容时，发现几个脚本之间根本接不上
慢慢我发现，问题并不是“下载工具不够多”或者“转录工具不够多”，而是缺一条完整的、能持续使用的内容处理链路。
所以这个项目最终不是围绕“下载”来设计的，而是围绕“把视频一步步变成可用内容”来设计的。
这个工具具体能做什么
从功能上看，它现在已经能覆盖一条比较完整的视频内容处理流程。
1. 下载视频、音频和字幕
它可以直接从链接下载视频，也支持只下载音频、指定字幕语言、按站点归类输出。
如果你面对的是公开视频、课程、访谈、讲座之类的内容，这一步就是整个流程的入口。
2. 只下载字幕和元数据
有些站点视频下载受限，但字幕和元数据依然能拿到。
这种情况下，其实没必要硬去追求“把视频本体拿下来”，因为很多时候我们真正需要的是内容文本。
所以它也支持只抓字幕和元数据，这对后续做整理、摘要、翻译都很实用。
3. 用 Whisper 做 AI 转录
如果原视频没有字幕，或者字幕质量不理想，就可以直接对本地视频或音频做 Whisper AI 转录。
这一步会把语音内容转成：
它的意义不是单纯“转成文字”，而是把原本不可编辑、不可检索的音视频内容，转成可处理的结构化文本。
4. 用大模型做 AI 摘要和关键词提取
光有 transcript 还不够。
因为很多长视频即使转成文字，阅读成本依然很高。
所以这个工具还支持直接调用大模型，对 transcript 生成：
这样一来，视频内容就不只是“被转成文字”，而是开始被真正压缩、提炼和结构化。
从这个角度看，AI 在这里不是噱头，而是两段非常明确的能力：
5. 转换字幕格式
这是一个看起来不大、但很实用的功能。
很多时候问题不是没有字幕，而是字幕格式不对。
比如下载下来是 vtt，播放器或后续流程却只认 srt。这时候就需要做格式转换。
项目支持单文件和批量目录的字幕格式转换，让整条链路更完整。
6. 一条命令串起整条流程
如果不想手动分步操作，也可以直接让它把下载、转录、摘要串起来跑。
这意味着它已经不是一组散乱命令的简单拼接，而更像一个真正的本地任务流。
7. 提前检查环境问题
这一点其实很重要。
很多时候，问题不是代码逻辑本身，而是环境：
所以项目里单独提供了一个 doctor 命令，用来做环境诊断。
这能让很多问题在真正执行任务前就被发现，而不是等到流程跑到一半才报错。
这个项目里的 AI，具体体现在哪？
如果只看表面，它像一个视频处理工具。
但真正把它和普通下载脚本拉开差距的，是里面两段 AI 能力。
第一段是 Whisper AI 转录。
它做的事情，是把视频或音频中的语音内容转成结构化文本和字幕。
这一步解决的是“内容明明在视频里，但我没法直接消费”的问题。
第二段是 大模型 AI 摘要。
它做的事情，是把很长的 transcript 压缩成摘要和关键词。
这一步解决的是“我已经拿到文本了，但文本还是太长”的问题。
所以这个项目最终想做的，并不是“把视频保存到本地”，而是：
把视频一步步转成可以被阅读、被检索、被整理、被复用的知识内容。
它最后会输出什么
一个工具是否真的好用，不只看功能列表，还要看它最后能留下什么结果。
这个项目的输出不是一堆杂乱文件，而是一套比较清晰的 job 目录。
一个典型任务里，通常会包含这些内容：
这里我很看重的是 manifest.json。
因为它记录的不只是“输出了哪些文件”，还包括：
这让整个工具链不只是“能跑完一次”，而是具备了更强的可追踪性和可恢复性。
它适合什么场景
如果从使用场景看，我觉得它比较适合下面这些事：
换句话说，它并不只是一个“下载器”。
它更像是一个面向视频内容整理的本地 AI 工具链。
为什么我最后还是把它做成了统一工具链
如果只是为了“能用”，其实几个脚本拼一拼也能工作。
但只要使用开始变得持续、频繁、长期，问题就会很快暴露：
所以最后做成统一工具链，不是为了形式上的“更专业”，而是为了让它真的更容易长期使用。
我越来越觉得，一个工具值不值得继续维护，不只取决于它有多少功能，而取决于它有没有把这些基础事情做好：
video-link-pipeline 现在做的，就是把这些基础能力和具体功能一起收口。
最后
如果只用一句话来概括这个项目，我会这样说：
它不是单独解决“下载”或“转录”某一个问题，而是把视频下载、字幕获取、Whisper AI 转录、大模型 AI 摘要、字幕转换和环境诊断统一成了一条本地 CLI 流水线。
它想做的，也不是简单地把视频保存到本地。
它更想做的是，把视频一步步转成可以被阅读、被总结、被检索、被复用的内容资产。
如果你也在做类似的视频内容整理、资料归档、知识沉淀，我觉得这种“统一工具链”的方式非常值得尝试。
因为真正有价值的，往往不是某一个步骤能不能跑，而是整条流程能不能稳定地跑起来。
