核心用法
Vsum 是一款命令行视频摘要工具，通过整合 yt-dlp 与多厂商 AI API，实现 YouTube 和 Bilibili 视频的字幕自动提取与智能总结。用户只需提供视频链接，系统自动识别平台、获取字幕（支持自动生成字幕与人工字幕）、调用 AI 生成结构化摘要，最终输出标准化的 Markdown 文档。
显著优点
- 跨平台支持：同时覆盖 YouTube（国际）与 Bilibili（国内）两大主流平台
- 自动化程度高：从链接识别、字幕下载到 AI 总结全流程自动化，无需手动干预
- 输出标准化：固定 Markdown 模板包含视频元信息、总结正文、关键要点，便于存档与二次编辑
- 灵活兼容：支持任意 OpenAI 格式 API（OpenAI、Anthropic、OpenRouter、jiekou.ai 等）
- 长视频适配：内置分段处理逻辑，可预览后决定是否完整总结，避免 Token 超限
潜在缺点与局限性
- 依赖外部字幕源：无字幕视频无法处理（不支持语音转文字）
- B站需登录态：必须通过浏览器 Cookie 获取认证，配置门槛较高
- 网络环境敏感：yt-dlp 与海外 AI API 均可能受地区网络限制
- 语言覆盖有限：字幕语言依赖视频上传者或平台自动生成，小语种支持不稳定
- 无视频画面分析：纯文本总结，无法识别 PPT、图表、演示画面信息
适合人群
- 知识工作者：快速消化长视频课程、演讲、播客内容
- 内容创作者：竞品分析、素材整理、脚本参考
- 研究人员：学术讲座、会议录屏的文献化管理
- 多语言用户：借助 AI 翻译总结外语文档
常规风险
- 隐私泄露：B站 Cookie 读取涉及账号敏感信息，需确保本地环境可信
- API 成本：长视频字幕 Token 消耗大，需注意 AI 调用费用
- 版权边界：下载与再加工他人视频字幕需遵守平台 ToS 与著作权法规
- 准确性偏差：AI 总结可能遗漏细节或误读语境，关键信息需人工复核