1. 它是什么

一个跑在 DSH 里的小插件：你在会话里丢一个 B 站视频链接，它把视频的语音转成文字，模型读完后写一份解析，再画一张 1920×1320 的「一图读懂」。

用一句话说清楚它替你省了什么：

• 30 分钟的视频，先看一张 1920×1320 的图，感兴趣再翻解析里的原话。
• 请求只走 B 站公开 JSON 接口（view / playurl），带 UA 和 Referer，不碰 cookies。
• 官方字幕接口匿名请求返回 0 条，所以插件直接下音轨做本地 ASR。
• 下载、解码、转写都在你电脑上完成，音频只在本机缓存留一份。
• 同一个视频第二次问会直接读缓存，不重复下载和转写。

2. 效果预览

一图读懂（插件渲染）	解析复盘图（同一条视频的手工流程记录）

示例视频：《原始积累的 5 条建议》（BV1HWJa61E9M，29 分 25 秒）。

左图是插件直接产出的成品，右边那张是第一次手工解析时留下的流程复盘，插件已经把这张图里的步骤固化下来了。数字和专名以原视频为准——ASR 对低频词和数字会有误差，解析里会标注。

3. 解析过程

具体每一步做了什么：

1. 取元数据：解析 BV 号，调 /x/web-interface/view 拿标题、UP 主、时长、播放、点赞、标签。数字全部当场从接口取，不凭印象填。
2. 下音轨：调 /x/player/playurl?fnval=16 取 DASH 音轨（m4a），优先挑码率最高的一路，失败自动换 backupUrl。不装 yt-dlp，也不依赖 ffmpeg。
3. 本地转写：用 PyAV 把音轨解成 16kHz 单声道 float32，再喂 faster-whisper-small（int8，CPU）。输出 txt / srt / tsv，进度写 stderr，结果用一行 RESULT_JSON: 回传给 DSH。
4. 写解析：这一步在会话里由模型完成，不是插件算的。模型读完整转录，按「信息 / 灯塔 / 建议 / 评估」组织成 md；引用到的数字回接口核对，ASR 专名存疑的地方直接标注。
5. 渲染出图：把结构化内容交给 Pillow 画成「一图读懂」，同时把 md 和转录文件一起写进输出目录。

一次性产出：

耗时参考（CPU 推理，具体看机器）：

4. 快速开始

4.1 前置条件

• Windows 10 / 11：一键装环境脚本是 PowerShell 写的；插件逻辑本身跨平台，但脚本目前只覆盖 Windows。
• DSH 桌面版：已实测 0.2.1-rc.2，需要支持 ctx.tools 工具注册的版本。
• 磁盘约 725MB：模型 462MB + Python 依赖约 260MB，首次装环境要联网。
• 不需要 B 站账号，不需要 ffmpeg，不需要 yt-dlp。

4.2 安装插件

命令行走 profile 的插件管理器安装（DSH 桌面版一般用 desktop，dsh web 用 web）：

dsh plugin --profile desktop add github:zz12hui/dsh-bili-video-summary

DSH 桌面版正在运行时，命令行不会改应用的 profile：先退出桌面版再执行，或等上架后在市场里一键安装。

装完重启 DSH（关闭窗口含托盘退出 → 重开 → 恢复会话）。首次使用还要装一次运行环境（模型 + Python 依赖，约 725MB），脚本位置见下面手动安装的第 3 条。

git clone https://github.com/zz12hui/dsh-bili-video-summary.git

4.3 验证

发一个 B 站视频链接，助手应该先调 bili_video_transcribe 转写，再调 bili_video_render 出图。看得到两个工具名，就说明装好了。

5. 两个工具

正常调用顺序是固定的：transcribe → 模型读转录写解析 → render。render 的 plan 结构大致是这样（最多 5 条建议、4 个里程碑、5 条清单）：

{
  "outDir": "输出目录",
  "md": "# 解析标题\n...",
  "plan": {
    "title": "一张图读懂《…》",
    "subtitle": "UP 主 · 时长 · 播放 · 日期",
    "quote": "一句话主旨",
    "pitfalls": ["…"],
    "goalTitle": "目标",
    "milestones": [{ "amount": "20 万", "tag": "灯塔 1 · 第 8 年", "desc": "…" }],
    "suggestions": [{ "title": "…", "bullets": ["…"] }],
    "caveats": ["…"],
    "todos": ["…"]
  }
}

6. 配置与目录

可选环境变量：

安装位置：

仓库结构：

dsh-bili-video-summary/
├── index.js                 # 注册两个工具，spawn Python 子进程，解析 RESULT_JSON
├── cordis.patch.yml         # DSH 启动时的插件注册行
├── scripts/
│   ├── bili_pipeline.py     # 元数据 → 音轨 → PyAV 解码 → faster-whisper 转写
│   ├── render_summary.py    # plan → 1920×1320 PNG + md
│   └── setup_env.ps1        # 一键装依赖和模型（约 725MB）
├── references/踩坑清单.md    # 首次手工解析的 16 条问题复盘
├── docs/                    # 示例图
├── assets/readme/           # README 首图与过程图
├── locale/                  # 插件清单里的中文名和描述
├── icon.svg
└── package.json

7. 为什么这样设计

第一次手工解析踩了 16 个坑，能固化的都写进插件了。几个关键取舍：

1. 不走网页抓取：B 站页面是 JS 外壳，直接 fetch 拿不到内容；插件只用公开 JSON API。
2. 不等官方字幕：匿名请求字幕接口返回 0 条，AI 总结接口要登录（-101），所以直接下音轨做本地 ASR。
3. 不装 yt-dlp：playurl 直接给 DASH 音轨，少一个依赖少一个变量。
4. 模型走 ModelScope：hf-mirror 单线程只有约 300KB/s，多线程还会触发 429；ModelScope 实测约 9MB/s。
5. 绕开 av 19 的兼容问题：faster-whisper 1.2.1 调 av.open(metadata_errors=…) 会报错，所以自己解成 float32 数组再喂模型。
6. 长任务交给插件：Node spawn 管子进程，超时 60 分钟，一次调用跑完下载和转写，不被 shell 超时切碎。
7. 按 BV 号缓存：同一视频第二次直接读缓存，不再重复下载和转写。

完整的 16 条问题清单（现象 → 根因 → 现在怎么做）见 references/踩坑清单.md。

8. 手动跑（排查用）

$py = "$env:USERPROFILE\.dsh\dsh-runtimes\dsh-primary-runtime\dependencies\python\python.exe"
$pl = "$env:USERPROFILE\.dsh\profiles\desktop\node_modules\dsh-local-bili-summary\scripts"

# 转写：--force 忽略缓存；--clip 60 只转前 60 秒（调试用，不写缓存）
& $py "$pl\bili_pipeline.py" transcribe --url "https://www.bilibili.com/video/BVxxxx"

# 渲染
& $py "$pl\render_summary.py" --plan-file plan.json

脚本最后会打印一行 RESULT_JSON:{...}，排查时先看这一行和 stderr 里的进度。

9. 卸载与回滚

删掉 cordis.patch.yml 末尾的 bili-summary-panel 插入块和 node_modules\dsh-local-bili-summary 目录，重启 DSH 即可。数据目录 ~/.dsh/bili-video-summary 可以留着（换插件版本还能用），想清干净就整个删掉。

10. 常见问题

转写为什么这么慢？ CPU 推理，速度约视频时长的 0.4 倍。30 分钟视频约 12 分钟，第一次用之前最好先知道这个数。

数字和专有名词不对？ small int8 对低频词和数字不敏感，比如 T-Bill 会被听成「TBU」。插件会在解析里标注「ASR 可能有误差」；要更准就换更大的模型（改 BILI_SUMMARY_MODEL 指向 medium）。

报错找不到模型或依赖？ 重跑 scripts\setup_env.ps1 会补齐并校验。

刷新页面后工具没出现？ host 插件只在 DSH 启动时加载，必须重启（含托盘退出），刷新浏览器不算。

纯音乐视频能用吗？ 不能，没有语音会直接报「没有识别到任何语音内容」。

macOS / Linux 能用吗？ 插件逻辑和 Python 脚本是跨平台的，但一键装环境脚本只写了 Windows，其他系统要手动装依赖。

11. License

MIT © 2026 zz12hui