基于AI的B站视频笔记自动生成：技术实现与优化实践

1次阅读

共计 2467 个字符，预计需要花费 7 分钟才能阅读完成。

每次看完 B 站的学习视频，想整理笔记时总遇到这些问题：手动记录速度跟不上语速，回放暂停又浪费时间；重点信息可能遗漏，后期复习效率低。尤其对于技术类长视频（如 1 小时以上的教程），传统笔记方式耗时耗力。AI 自动生成笔记能解决三个核心痛点：

效率问题 ：人工记录 30 分钟视频需 1 - 2 小时，AI 可在视频结束时立即输出结构化笔记
信息完整性 ：通过字幕文本分析，确保关键术语、代码片段等不被遗漏
结构化整理 ：自动划分章节、提炼重点，比纯文本更易检索

GPT 系列 （如 GPT-3.5/4）：
优势：长文本生成连贯，能理解上下文语义
劣势：成本较高，需处理最大 token 限制（如 4096 tokens）
BERT/ROBERTA：
优势：适合关键词提取和分类任务
劣势：生成能力较弱，需配合其他模型完成最终输出
开源方案 （如 LLaMA-2、ChatGLM）：
优势：可本地部署，数据隐私性好
劣势：需要自行微调

实际测试发现：
– 短文本摘要（<500 字）用 BERT+Seq2Seq 性价比最高
– 长视频处理推荐 GPT-3.5+ 分块处理策略

B 站视频可通过 API 获取字幕（需先解析 bv 号）：

import requests

def get_bilibili_subtitle(bvid):
    # 获取视频 cid（示例 API，实际需处理反爬）info_url = f"https://api.bilibili.com/x/player/pagelist?bvid={bvid}"
    cid = requests.get(info_url).json()['data'][0]['cid']

    # 获取字幕（部分视频需检查是否有 subtitle 键）subtitle_url = f"https://api.bilibili.com/x/player/v2?bvid={bvid}&cid={cid}"
    subtitle_data = requests.get(subtitle_url).json()

    if 'subtitle' in subtitle_data['data']:
        # 下载字幕文件（通常是 JSON 格式）subtitle_url = subtitle_data['data']['subtitle']['list'][0]['subtitle_url']
        return requests.get(f"https:{subtitle_url}").json()
    return None

使用 spaCy 或 NLTK 进行文本预处理后，通过 TF-IDF 提取关键词：

from sklearn.feature_extraction.text import TfidfVectorizer
import jieba  # 中文分词

def extract_keywords(text, top_n=10):
    # 中文需先分词
    seg_text = " ".join(jieba.cut(text))

    vectorizer = TfidfVectorizer(max_features=1000)
    tfidf = vectorizer.fit_transform([seg_text])

    # 获取权重最高的词
    feature_array = vectorizer.get_feature_names_out()
    tfidf_sorting = tfidf.toarray().flatten().argsort()[::-1]
    return feature_array[tfidf_sorting][:top_n]

结合 OpenAI API 实现摘要生成（需替换 your_api_key）：

import openai

def generate_summary(text):
    openai.api_key = "your_api_key"

    # 处理长文本分块（GPT-3.5 最大 4096 tokens）chunk_size = 3000
    chunks = [text[i:i+chunk_size] for i in range(0, len(text), chunk_size)]

    summaries = []
    for chunk in chunks:
        response = openai.ChatCompletion.create(
            model="gpt-3.5-turbo",
            messages=[{"role": "system", "content": "你是一个专业的技术笔记整理助手"},
                {"role": "user", "content": f"请用中文总结以下内容，保留专业术语和代码示例：\n{chunk}"}
            ],
            temperature=0.3  # 降低随机性
        )
        summaries.append(response.choices[0].message.content)

    return "\n\n".join(summaries)