2026-10-17 · Codex 教程 ⑥ · 视频
让它「看」视频
画面、文字稿、音轨怎么分工
一条 94 分钟的教程，标题写着“22 分钟速通”。我们要的不是把它“看一遍”， 而是能从里面找到某句话、某个按钮、某个时间点。
素材是 11 集、合计 94 分钟。第一步不是抽帧，而是问有没有字幕。
B 站接口里 data.subtitle.list 是空的，AI 字幕要登录才有；这条路当天走不通。
于是退到第二条：下载音轨，用本地 faster-whisper 的 small 模型转写。
94 分钟音频跑了约 27 分钟，产出 11 份带时间戳的稿子，合计 91,460 字。
但文字稿有一个天生的缺口：讲师说“点这里”的时候，稿子里只有“点这里”。
讲到界面操作，必须回到画面。我们只对需要看屏幕的段落抽帧，例如安装路径、按钮位置、
配置文件长什么样，不是每十秒抽一张。命令很简单：
ffmpeg -ss 00:12:30 -i video.mp4 -frames:v 1 frame.jpg，
抽出来的帧能直接打开核对。
三种证据，各回答一个问题
| 证据 | 回答什么 | 什么时候用 |
|---|---|---|
| 字幕 / 音轨转写 | 说了什么 | 有字幕先用字幕；没有就转写音轨 |
| 抽帧 | 当时屏幕上是什么 | 讲到按钮、路径、界面时才抽 |
| 页面文字 | 视频自称在讲什么 | 补章节、简介和上下文 |
这三样东西不是互相替代：字幕和转写负责“说过”，画面负责“看到”， 页面文字负责“声称”。缺一条，就要在结论里注明缺的是哪条。
顺序为什么不能反
先抽帧最贵。94 分钟的视频，如果每 5 秒一帧就是 1128 张图；人看不过来， 模型也看不过来。字幕最便宜，几乎只是文本；音轨转写次之，花的是本机 CPU 时间； 抽帧最贵，既花时间又占注意力。
所以顺序是：先找字幕，没有再转写，最后才为“必须看画面”的段落抽帧。 没有音轨的素材才反过来，只抽帧，并明确写“只能看画面，不知道说了什么”。
时间戳索引，比整篇转写有用
转写稿没有直接变成文章。我们另建了一份主题索引：关键词 → 第几集 → 时间点。 比如“计划模式”指向第 6 集 00:01、00:07、00:13，“代码管理”指向第 7 集 03:58、04:14、04:29。写文章时先查索引，再回到原话和画面核对。 整段 91,460 字留在磁盘上，按需读，不整篇塞进上下文。
转写负责“说过”，画面负责“看到”，页面文字负责“声称”。 结论能不能复现，取决于它有没有一个能回去的时间点。
结论
现在再遇到长视频，我们的第一步固定是“先问有没有字幕”， 最后一步固定是“给每个结论留一个能回去的时间点”。 能不能复现，比看没看完更重要。
《Codex 教程》连载：① 总纲 · ② 把红线写成代码 · ③ 记忆放在哪里 · ④ 守收件箱，不碰发送键 · ⑤ 工具链不是装得越多越好 · ⑥ 让它「看」视频 —— 下一篇：技能不是收藏品，装之前先问四个问题。 回到笔记