bilibili-subtitles 把哔哩哔哩(B 站)长视频整理成一篇可以直接通读的 Markdown 全文:基于视频已有的中文字幕,按讲述脉络切分多级章节、修顺零散错乱的台词,完整保留原话细节,并在每个章节旁附上原视频跳转链接。你可以用它快速读完一支长视频,也可以把这份干净的一手文稿交给 AI Agent 继续追问、对比或总结。
整理分两步完成,中间保留一份可检查的原始字幕:
- 下载:取回视频已有的中文字幕和元数据,保存为
transcript.md。只请求 B 站,不调用模型。 - 润色:大模型通读全文,切分章节并修顺正文,生成
transcript.polished.md。字幕全文会发给所用模型的提供方,并产生模型费用。
在 Agent 里一句话即可跑完两步;只需要原始文本,或想先手动校正错字再润色时,也可以停在第一步。
使用边界:仅处理视频已有的中文字幕;不下载音视频、不做本地语音识别、不翻译外语字幕,也不支持
b23.tv短链。
你能拿到什么:从碎台词到可读文章
输入一个 BV 号或 B 站视频链接,工具默认在当前目录的 .subtitles/ 下按视频标题建好文件夹。最终产物是 transcript.polished.md;它所依据的原始字幕 transcript.md 保留在旁边,方便对照核对:
.subtitles/<BV号>-<视频标题>/
├── transcript.md # 第 1 步·原始字幕:YAML 元数据头 + 逐行时间戳台词
└── transcript.polished.md # 第 2 步·精校全文:YAML 元数据头 + 多级章节段落 + [▶ 分:秒] 跳转链接
两份文件都是**“YAML 元数据头(记录标题、UP 主、发布时间与播放/点赞等统计快照)+ Markdown 正文”**的自包含单文件。从一串没有重点的流水账字幕到精校文章,核心完成了四件事:
- 按讲述脉络切分多级章节:自动识别开场铺垫、主干议题与子话题(生成导语、
##二级标题与###三级标题),并拟定贴合原意的章节标题,一眼就能扫清整支视频的骨架。 - 合拢碎句,修正同音错字:B 站 AI 字幕常把一句话拆成三四行,还夹杂口头禅和语音识别同音错字(例如把“算术强度”听成
算术墙度、把“Token”听成托肯、把“显存带宽”听成显存带款)。润色会把碎句合拢成自然段,清理口水词,并结合上下文还原专业术语。 - 完整保留原话细节,不做缩水摘要:作者的观点、推导过程与具体举例全部保留,不会像摘要工具那样把干货压缩成几条空洞的要点。
- 每个章节自带原视频跳转点:每个章节标题旁都会附上形如
[▶ 0:35]的视频时间链接。先扫读目录和文字定位到感兴趣的部分,需要看演示画面或图表时,点击该节标题旁的链接就能直接跳回原片对应时刻。
想查看文件结构与正文润色效果,可以展开下方示例。示例为合成演示数据(BV1example、作者、统计与字幕均为虚构)。
transcript.md)---
schemaVersion: 1
kind: bilibili-subtitle
bvid: BV1example
page: 1
pageCount: 1
pageTitle: 合成演示分P
language: zh-CN
languageName: 简体中文
trackId: synthetic-zh
videoTitle: 为什么显卡算力没跑满,大模型推理却卡住了?
authorName: 硬件科普示例
publishedAt: "2024-01-01T12:00:00.000Z"
viewCount: 123456
likeCount: 6789
sourceUrl: https://www.bilibili.com/video/BV1example/?p=1
trackKind: ai
---
00:00 哈喽大家好,呃今天我们聊一个很多朋友在评论区问的问题。
00:05 就是为什么我们在本地跑大模型推理的时候,打开监控一看,
00:10 显卡的计算核心利用率才百分之三十多,明明算力还没吃满,
00:15 那个生成文字的速度却已经卡得不行了呢?
00:35 大家看右边这张架构对比图,这里有一个非常核心的概念叫算术墙度。
00:42 简单来说,就是每从显存里搬运一字节的数据,你能顺便做多少次浮点运算。
00:49 大模型在逐个生成托肯的解码阶段,每次只算一个词,却要把几百兆甚至几十G的模型权重,
00:57 从显存完整搬到计算单元里走一遍。
01:02 你看图上这根红色的柱子,计算单元算完只要零点几毫秒,剩下的时间全在干等数据搬运,
01:09 所以这时候的瓶颈根本不是计算慢,而是显存带款不够用,也就是常说的访存受限。
01:42 那工程上怎么缓解这个问题呢?目前主流有两个方向,大家注意看屏幕上标黄的这两条折线。
01:48 第一个方向是做权重量化,既然瓶颈在搬运数据,那我们就给权重瘦身。
01:55 比如把原本 16 位的浮点数压缩到 4 位整数,模型体积和单次搬运量直接降到原来的四分之一,
02:03 在几乎不怎么损失精度的前提下,单卡生成速度能直接翻两到三倍。
02:15 第二个方向就是服务端常用的连续批处理,对吧,既然搬一次权重这么贵,
02:22 只服务一个用户太亏了,不如把十几个用户的请求攒成一捆同时算,
02:29 这样搬一次权重就能同时吐出十几个托肯,整个系统的总吞吐亮立刻就提上来了。
查看润色文章样例(transcript.polished.md)---
title: 为什么显卡算力未跑满,大模型推理却受限于显存带宽
videoTitle: 为什么显卡算力没跑满,大模型推理却卡住了?
authorName: 硬件科普示例
publishedAt: "2024-01-01T12:00:00.000Z"
viewCount: 123456
likeCount: 6789
source: https://www.bilibili.com/video/BV1example/?p=1
model: opus-5-5
# ... 其余继承的统计快照与生成元数据省略
---
# 为什么显卡算力未跑满,大模型推理却受限于显存带宽
大家好,今天我们聊一个很多朋友在评论区问的问题:为什么我们在本地跑大模型推理的时候,打开监控一看,显卡的计算核心利用率才 30% 多,明明算力还没吃满,生成文字的速度却已经卡得不行了呢?
## 推理卡顿的真正瓶颈:算术强度与显存带宽 [▶ 0:35](https://www.bilibili.com/video/BV1example/?p=1&t=35)
大家看右边这张架构对比图,这里有一个非常核心的概念叫“算术强度”。简单来说,就是每从显存里搬运一字节的数据,你能顺便做多少次浮点运算。
大模型在逐个生成 Token 的解码阶段,每次只算一个词,却要把几百兆甚至几十 G 的模型权重从显存完整搬到计算单元里走一遍。你看图上这根红色的柱子,计算单元算完只要零点几毫秒,剩下的时间全在干等数据搬运。所以这时候的瓶颈根本不是计算慢,而是显存带宽不够用,也就是常说的“访存受限”。
## 工程上的两个缓解方向 [▶ 1:42](https://www.bilibili.com/video/BV1example/?p=1&t=102)
那工程上怎么缓解这个问题呢?目前主流有两个方向,大家注意看屏幕上标黄的这两条折线。
### 方向一:权重量化 [▶ 1:48](https://www.bilibili.com/video/BV1example/?p=1&t=108)
第一个方向是做权重量化。既然瓶颈在搬运数据,那我们就给权重瘦身。比如把原本 16 位的浮点数压缩到 4 位整数,模型体积和单次搬运量直接降到原来的四分之一,在几乎不怎么损失精度的前提下,单卡生成速度能直接翻两到三倍。
### 方向二:连续批处理 [▶ 2:15](https://www.bilibili.com/video/BV1example/?p=1&t=135)
第二个方向就是服务端常用的连续批处理。既然搬一次权重这么贵,只服务一个用户太亏了,不如把十几个用户的请求攒成一捆同时算。这样搬一次权重就能同时吐出十几个 Token,整个系统的总吞吐量立刻就提上来了。
快速开始
我们为 Pi Agent 和 DeepSeek Harness (dsh) 提供了专门的原生插件版本;对于 Claude Code、Codex、Cursor 等其他 Coding Agent(以及直接在终端手动使用),则提供了通用的 CLI + Skill 版本。三个版本均内置手机 B 站 App 扫码登录,免去翻浏览器手动抠 Cookie:
| 版本 | 适用环境 | 登录与模型来源 | 安装命令 |
|---|---|---|---|
| Pi 扩展 | Pi Agent | /bilibili-login 终端扫码;直接复用当前 Pi 会话模型 |
pi install npm:@fukangz/pi-bilibili-subtitles |
| dsh 插件 | DeepSeek Harness | dsh Web 插件设置页弹窗扫码;直接复用当前 dsh 会话模型 | dsh plugin --profile <profile> add @fukangz/dsh-bilibili-subtitles |
| 通用 CLI + Skill | 其他 Coding Agent(Claude Code / Codex / Cursor 等)或终端直接使用 | bili-subs login 终端扫码;bili-subs config 配置 OpenAI 或 Anthropic 模型接口 |
见下方 CLI 与 Skill 安装步骤 |
1. Pi / DeepSeek Harness 插件用法
安装对应插件并完成扫码登录后,直接在对话里告诉 Agent 即可:
- 整理成文章:“把
BV1xx411c7mD整理成 Markdown 文章” - 只要原始字幕:“帮我下载
BV1xx411c7mD的字幕”
2. 通用 CLI + Skill 安装与用法(适用于其他 Coding Agent)
需要 Node.js 22.19+。先全局安装命令行工具并完成扫码与模型配置:
# 1. 全局安装 CLI
npm install -g @fukangz/cli-bilibili-subtitles
# 2. 手机 B 站 App 扫码登录(获取 AI 字幕通常需要登录态)
bili-subs login
# 3. 配置用于润色的大模型接口(若只需下载原始字幕可跳过)
bili-subs config
然后把随包附带的 bilibili-subtitles Skill 目录复制到你所用 Agent 的 skills 目录中(以 ~/.agents/skills/ 为例;Claude Code 可改为 ~/.claude/skills/):
mkdir -p ~/.agents/skills
cp -R "$(npm root -g)/@fukangz/cli-bilibili-subtitles/skills/bilibili-subtitles" ~/.agents/skills/
装好后,对 Coding Agent 说 “把 BV1xx411c7mD 整理成 Markdown 文章”,它会按 Skill 调用 bili-subs 先下载、再润色。在终端手动使用时,同样分两步:先运行 bili-subs download <BV号>,再把输出的 transcriptPath 交给 bili-subs polish <transcriptPath>。详细参数见 CLI 文档。
设计初衷:为什么做“精校全文”,而不是“AI 摘要笔记”?
对人类读者来说,从头到尾线性观看长视频获取信息的效率太低;对 AI Agent 来说,B 站视频更是无法直接阅读的黑盒。想要高效掌握视频内容,最自然的桥梁就是先拿到视频的字幕文字。
但 B 站直接导出的原始字幕(尤其是语音识别自动生成的 AI 字幕)很难直接拿来读:它没有章节层次,只是一串按播放时间切碎的流水账——完整的一句话常被拆成三四行,中间还充斥着口头禅、断句错乱,以及把专业术语听成日常词的同音错字。因此,原始字幕必须经过一轮整理。
至于“整理成什么样”,社区现有方案大多走向了 AI 学习笔记 / 摘要——直接把视频浓缩成大纲、概念卡或几条要点。但这会带来两个问题:
- 二手摘要会不可逆地丢失细节:一旦替你压缩改写,原本严密的推导链条、边界前提和鲜活举例就被删没了,想深究时无从查证。
- 纯文字替代不了视频画面:技术讲解、教程和评测里有大量架构图、代码操作与曲线演示,脱离原片画面很难单靠文字看懂。
因此,本项目选择做一份忠实于原话、带多级章节与原片跳转点的“精校全文”——先帮你把碎字幕理成一篇结构清晰、没有错别字的文章,让你和 Agent 都能快速通读全貌;遇到感兴趣的段落或需要看图表的地方,再点章节标题旁的链接跳回原视频观看:
| 对比维度 | 原始字幕导出脚本 | AI 摘要笔记工具(如 bili-note) |
bilibili-subtitles(本项目) |
|---|---|---|---|
| 产出定位 | 原样导出时间轴流水账 | 按压缩比提炼大纲、概念卡、自测题 | 忠实原话、带章节跳转的精校全文 |
| 信息完整度 | 100% 原始台词,但无章节结构、断句破碎、同音错字多 | 大幅缩写改写,容易丢失论证过程与具体细节 | 自动切分多级章节,完整保留观点、推导与举例,仅顺句分段并修错字 |
| 原片联动 | 只有逐行秒数,没有章节导航点 | 侧重离线归档,正文章节无法直跳原视频 | 每个章节标题自带 [▶ 分:秒] 原视频跳转点 |
| 环境门槛 | 常需手动去浏览器 F12 复制 Cookie | 常依赖 Python、FFmpeg 或本地语音识别模型 | 零外部二进制依赖,内置扫码登录即装即用 |
| 给 Agent 用时 | 口水词与同音错字拉低检索与理解质量 | 已被固化成特定笔记模板,难以二次深挖 | 高信噪比的一手文稿底座,方便继续追问、对比或按需总结 |
工作原理
从输入一个视频链接到生成最终的 Markdown 文章,流程先下载原始字幕,再分结构和正文两个阶段润色:
- 下载原始字幕:同一个视频如果有多条中文字幕,程序自动按 “人工上传字幕优先于 AI 字幕、简体优先于繁体” 挑出最好的一条,连同视频元信息保存为
transcript.md。 - 润色·结构生成:大模型先通读完整的原始字幕,拟定文章总标题,并顺着讲述者的话题切换划分章节层级(导语、二级与三级章节),标出每一节从哪条字幕开始。
- 润色·正文生成与组装:程序把已确定的章节结构和按章节组织的完整字幕放入同一次正文请求,由大模型合拢碎句、清理口头禅、结合语境修正同音错字;不是逐章单独调用。最后由代码根据每节起点对应的时间戳挂上
[▶ 分:秒]链接,组装成transcript.polished.md。
润色通常调用 2 次大模型(结构、正文各一次全文请求);某一阶段输出格式不合规时自动修复一次,最多 4 次。
参与开发
本仓库是 npm workspaces monorepo:除上文面向用户的 cli、pi、dsh 外,还包含宿主无关的核心库 @fukangz/core-bilibili-subtitles,可用于二次集成。
No comments yet. Be the first to write one.