Qwen 多模态视频学习网页

把一个视频真正拆开学习：先抽音频转全文，再抽关键时间点画面，用 DashScope OpenAI-compatible API 的 qwen3.7-plus 逐段理解，最后生成学习总结网页。网页沿用当前 study-summary.html 的视觉模板：米色纸张、卡片、时间线、风险矩阵、本地视频播放器、关键帧图文卡片。

适用场景

• 用户给本地 MP4，要求完整理解视频、做学习总结网页。
• 用户给 YouTube / B 站 / 主流平台链接并要求下载后理解；先调用 z-video-downloader 下载，再用本 skill 分析本地 MP4。
• 用户明确要求“关键知识点要匹配正确画面”，优先用本 skill。
• 用户提到 DashScope、Qwen 多模态、qwen3.7-plus、OpenAI-compatible base_url，也用本 skill。

安全约定

• API Key 只从环境变量读取，默认变量名：DASHSCOPEAPIKEY。
• 不要把用户给的 key 写入 SKILL.md、脚本、报告、HTML、终端日志或最终回复。
• 默认 base URL：https://dashscope.aliyuncs.com/compatible-mode/v1。
• 默认模型：qwen3.7-plus。如果接口返回模型不存在，提醒用户用 --model 改成实际可用模型名。

输入输出

输入可以是：

• 本地 MP4：/path/to/video.mp4
• 已下载视频所在目录
• 平台链接：先用 z-video-downloader 得到本地 MP4

默认输出在视频同级目录或指定目录：

study-qwen/
├── study-summary-qwen.html        # 最终学习网页
├── qwen-analysis.json             # 模型结构化结果
├── storyboard.json                # 关键帧清单
├── transcript.txt                 # 完整转录文本，若成功
├── transcript.json                # 带时间戳转录，若成功
├── assets/
│   ├── frame-001.jpg
│   ├── frame-002.jpg
│   └── ...
└── run-report.json

推荐命令

export DASHSCOPE_API_KEY="放在你本机环境里，不要写进文件"

/Users/zz/miniconda3/bin/python3 .agent/skills/z-video-study-webpage-qwen/scripts/qwen_video_study.py \
  --video "/path/to/video.mp4" \
  --title "视频主题" \
  --out-dir "/path/to/output/study-qwen" \
  --model "qwen3.7-plus"

如果已经有字幕或 transcript：

/Users/zz/miniconda3/bin/python3 .agent/skills/z-video-study-webpage-qwen/scripts/qwen_video_study.py \
  --video "/path/to/video.mp4" \
  --transcript "/path/to/transcript.txt" \
  --title "视频主题" \
  --out-dir "/path/to/output/study-qwen"

只验证抽帧和网页模板，不调用模型：

/Users/zz/miniconda3/bin/python3 .agent/skills/z-video-study-webpage-qwen/scripts/qwen_video_study.py \
  --video "/path/to/video.mp4" \
  --title "视频主题" \
  --out-dir "/path/to/output/study-qwen" \
  --mock-analysis

执行流程

1. 确认视频本地路径

- 如果用户给的是 URL，先用 z-video-downloader 下载。 - 找到实际 MP4 后再执行本 skill。

1. 抽取关键帧

- 默认抽 12 段，每段 1-3 张代表画面。 - 每张图写入 storyboard.json，字段包括 frameid、timestamp、timelabel、path。 - 这些 frame_id 是后续知识点绑定画面的唯一依据。

1. 完整转录

- 优先使用用户提供的 --transcript。 - 没有 transcript 时，脚本尝试用本机 Whisper 转录音频。 - 如果 Whisper 不可用，继续执行视觉分析，但报告里要标明“缺少全文转录，结论更依赖画面和已有标题信息”。

1. Qwen 多模态逐段分析

- 每个段落发送：该段 transcript、时间范围、对应关键帧图片。 - 提示模型输出 JSON：段落主题、关键知识点、证据、画面绑定、待确认信息。 - 关键知识点必须引用实际存在的 frame_id。

1. 全局学习结构合成

- 再调用一次 Qwen，把分段结果合成为： - 30 秒总览 - 学习地图 - 关键知识点 × 正确画面 - 时间线 - 风险 / 机会矩阵 - 复盘问题 - 行动清单 - 若模型给出不存在的 frame_id，脚本自动降级到同段第一张图，并在 JSON 里记录修正。

1. 渲染 HTML

- 沿用当前学习网页模板的视觉语言。 - 顶部必须有本地视频播放器。 - 每个关键知识点卡片必须带一张本地帧图。 - HTML 只引用本地图片和本地视频。

1. 收尾检查

- 校验 HTML 中所有本地媒体路径存在。 - 校验 qwen-analysis.json 可解析。 - 检查没有把 API key 写入任何输出文件。 - 如果任务产出 .md 且包含外链图片，再按项目规则调用 1-upload-images-to-picgo；本 skill 默认产出 HTML，无需图床。

质量标准

• 不能只用视频标题泛泛总结。
• 不能只截几张图后写空泛结论。
• 关键知识点要来自 transcript、画面或二者交叉验证。
• 每个关键知识点都要有对应画面：图片应能直观看出人物、产品、图示、场景或风险主题。
• 对不确定内容要标注“待核验”，不要伪装成事实。

测试

编辑脚本后运行：

/Users/zz/miniconda3/bin/python3 -m py_compile \
  .agent/skills/z-video-study-webpage-qwen/scripts/qwen_video_study.py \
  .agent/skills/z-video-study-webpage-qwen/tests/test_qwen_video_study.py

/Users/zz/miniconda3/bin/python3 .agent/skills/z-video-study-webpage-qwen/tests/test_qwen_video_study.py