因为事务繁忙，最近我对 ai 智能总结产生了兴趣，做了几次总结之后发现效果还不错，这里做一个初版的记录，之后会逐步完善整个工作流。

目前的 demo 自动化的程度并不高，目前的工作流程如下：

首先设计一个从 json 文件中提取目标文本的函数，在提取之前，我们要先观察一下 json 的格式：

{
  "font_size": 0.4,
  "font_color": "#FFFFFF",
  "background_alpha": 0.5,
  "background_color": "#9C27B0",
  "Stroke": "none",
  "type": "AIsubtitle",
  "lang": "zh",
  "version": "v1.7.0.4",
  "body": [
    {
      "from": 0.0,
      "to": 0.24,
      "sid": 1,
      "location": 2,
      "content": "Hello",
      "music": 0.0
    },
    {
      "from": 0.24,
      "to": 0.64,
      "sid": 2,
      "location": 2,
      "content": "大家好",
      "music": 0.0
    },
    {
      "from": 509.08,
      "to": 509.5,
      "sid": 201,
      "location": 2,
      "content": "拜拜",
      "music": 0.0
    }
  ]
}

于是设计提取函数如下：

def extract_subtitles(json_path: str, output_path: str = None):
    json_file = Path(json_path)
    if not json_file.exists():
        print(f"[!] 文件不存在: {json_file}")
        return None
    with open(json_file, "r", encoding="utf-8") as f:
        data = json.load(f)
    body = data.get("body", None)
    if not body:
        print("[!] JSON中未找到 'body' 字段，可能不是字幕文件格式。")
        return None
    subtitles = [entry.get("content", "").strip() for entry in body if "content" in entry]
    text = "\n".join(subtitles)
    if not output_path:
        output_path = json_file.with_suffix(".txt")
    with open(output_path, "w", encoding="utf-8") as f:
        f.write(text)
    print(f"[+] 提取完成：{output_path}")
    return output_path

将提取到的内容单行保存在 content.txt 中，然后调用 deepseek-chat，glm-4.5-flash 模型二选一进行总结，前者需要付费，后者在一定额度内免费使用。经过测试，两者的准确度相差不打大，所以默认使用后者进行总结。

提示词使用如下，因为我会挑选一部分写入博客，所以预留了一个标题的位置：

messages=[
    {
        "role": "system",
        "content": (
        "你是一个有用的AI助手，现在请你对如下文本进行总结，要求语言精炼并保持原意。\n\n"
        "【输出格式要求】\n"
        "- 使用 Markdown 形式输出\n"
        "- 顶层标题统一使用“##”\n"
        "- 二级标题统一使用“###”\n"
          "- 不得修改原文本含义，仅优化结构与表达"
          ),
     },
]

前两次 ai 总结内容同样在博客里，这里给出链接：

2025.11.10-ai总结

2025.11.16-ai总结

在实际使用的过程中感官还算可以，但是手动操作过于麻烦；而且部分 B 站视频没有相应的字幕，或者音频模糊，导致文本出现偏差的问题，后续将从这两个方向继续完善。