本地多模态视频转写与画面 OCR 流水线产品系统

客户丢来课程、直播或会议录屏，要文字稿，还要画面里的板书和 PPT 文字。这类素材往往涉密或涉客户隐私，上传云端既花钱又不放心；人工听打一条一小时视频要半天，批量根本做不完。这条流水线就是为「录屏进去、带时间戳的稿子出来」这种活准备的，全程本地推理，素材不出机器。

用 ffmpeg 抽音轨、按间隔抽关键帧；音频走 faster-whisper（small 模型，CPU int8 量化）转写并按停顿切句；画面走 rapidocr 识别文字；两路结果按时间戳对齐合并，输出带时间点的纯文本和带画面注记的 md；支持本地文件与 URL（yt-dlp 拉流）；长视频按段处理、每段单独落盘，断了从下一段接着跑，不用从头重来。

Python 脚本负责转写与 OCR，PowerShell 外壳负责参数、路径和批量调度（视频2文字.ps1 / 视频2文字-画面.ps1）。几个实现上的坑：ffmpeg 的 stderr 会被 PowerShell 当成终止错误，必须改 ErrorActionPreference 并加 loglevel error；OCR 与转写时间戳有几百毫秒偏差，按秒级窗口归并，冲突以音频为准、画面文字降级为旁注单列；声音模型和 OCR 模型都走本地缓存目录，不联网下载；长任务交给受管后台任务执行，日志和状态落盘，失败可续。