by ahang008
把抖音链接或口令直接交给 Codex，下载无平台角标原视频并按博主自动归档
# Add to your Claude Code skills
git clone https://github.com/ahang008/ah-douyin-clean-downloaderGuides for using ai agents skills like ah-douyin-clean-downloader.
See how ah-douyin-clean-downloader compares with popular alternatives.
ah-douyin-clean-downloader is an open-source ai agents skill for AI coding assistants such as Claude Code, Codex CLI, and ChatGPT, built by ahang008. 把抖音链接或口令直接交给 Codex，下载无平台角标原视频并按博主自动归档. It has 82 GitHub stars.
ah-douyin-clean-downloader's catalog security scan is still queued. You can run an instant dependency and prompt-injection check now with the "Scan for vulnerabilities" button above.
Clone the repository with "git clone https://github.com/ahang008/ah-douyin-clean-downloader" and add it to your Claude Code skills directory (see the Installation section above). ah-douyin-clean-downloader ships a SKILL.md manifest, so compatible agents can discover and load it automatically.
ah-douyin-clean-downloader is primarily written in Python. It is open-source under ahang008 on GitHub, so you can review or fork the full source.
Yes. SkillsLLM lists many other AI Agents skills you can browse and compare side by side. Open the AI Agents category from the badge at the top of this page, or use the Related Skills and comparison links further down to weigh ah-douyin-clean-downloader against similar tools.
No comments yet. Be the first to share your thoughts!
⚠️ Third-Party Software Notice
This skill is third-party open-source software developed and hosted independently on GitHub. SkillsLLM is an informational directory and does not control or maintain the underlying repository.
Any security checks, ratings, or warnings displayed by SkillsLLM are automated and limited in scope. They do not constitute a security certification or guarantee that the software is safe, error-free, or free from malicious code, vulnerabilities, compromised dependencies, or prompt-injection risks.
Review the source code, permissions, dependencies, and configuration before installing or running any third-party skill. Use is at your own risk. To the maximum extent permitted by applicable law, SkillsLLM is not liable for losses arising from third-party software.
The deep catalog scan for this skill is still queued. Run an instant dependency check now instead.
按用户意图选择模式，保留同一个 Skill 名称与安装入口。
| 输入或要求 | 执行与交付 |
|---|---|
| 单条视频官方链接或完整分享口令，未说明其他用途 | 默认下载原视频，无需追问。 |
| 单条视频明确要求“提取逐字稿、文案、转文字” | 本地识别后完成整篇语义校对，交付 Markdown 与原时间码 SRT。先读 single-transcript.md。 |
| 博主官方主页、分享名片，或“全部作品、整号下载/转写” | 官方网页 SDK 采集公开目录和可用指标，保存原片、机器稿、SRT 与证据；逐条补采发布文案标题候选、井号标签和作品选定封面 OCR，生成指标表、索引和合集。先读 creator-batch.md。 |
| 已有完整作品目录，只需补标题、标签或封面文字 | 运行批量 --stage metadata，更新逐作品索引，并为已有已校验机器稿生成标注阅读副本；这一步不下载 MP4 或重做 ASR。先读 creator-batch.md。 |
| 已有资料库，并要求“全部洗稿、批量改写、按点赞整理口播稿” | 验证原库，按点赞稳定排序，分片写作后单独交付口播稿、核对清单和实际 N 篇索引。先读 batch-rewrite.md，由本 Skill 完成写作与语义审核。 |
单条下载默认保存到 ~/Desktop/抖音无水印视频/<博主昵称>/：
SKILL_DIR="${CODEX_HOME:-$HOME/.codex}/skills/ah-douyin-clean-downloader"
python3 "$SKILL_DIR/scripts/download_douyin.py" "<完整官方链接或分享口令>"
用户指定其他媒体库根目录时加 --output-dir；显式代理使用 --proxy 或已有 AH_DOUYIN_PROXY，不修改系统代理。成功回报本地绝对路径、博主目录、大小、时长和音视频校验结果；缺少 ffprobe 时说明仅完成文件头检查。
# 前的文字；文案直接以标签开头时记为空，不编造独立标题。封面文字来自官方选定封面，不等于视频首帧；本地 OCR 原文、低置信度、未见文字和获取失败要分开记录，机器识字不算人工核对。下载只需 Python 3.9+ 与 curl；本地 MLX 转写和整号流程使用 Apple Silicon Mac、macOS 15+、Python 3.12，按对应参考文件准备依赖。已有库的离线改写机械步骤使用 Python 3.9+，不需要重装 MLX 或再次登录。环境自检可用 python3 scripts/doctor.py --format text；故障时读 troubleshooting.md。
同一个 Codex Skill 下载单条抖音原视频、交付校对后的单条逐字稿与 SRT、归档博主公开作品并生成本地机器稿，也能把已有完整资料库按点赞排序批量改写成口播稿。
这是 阿杭 Skills 旗下的独立仓库，本分支功能版本为 v0.5.0。仅用于你自有或已获授权的公开内容。
| 你发给 Codex 的内容 | 默认行为与结果 |
|---|---|
| 单条官方视频链接或完整分享口令 | 下载平台播放源原视频，保留原始音视频，不转码。 |
| 单条链接，并说明“提取逐字稿” | 本地识别，再完成整篇语义校对；最终只保留校对后的 Markdown 和原时间码 SRT，清理受控过程文件。 |
| 博主主页、分享名片，或“全部作品/整号下载转写” | 官方网页 SDK 验证公开目录并采集可用指标，保存原片与机器 Markdown/SRT/识别证据；逐条补采发布文案、井号标签和选定封面文字，生成指标表与索引，可续跑。 |
| 已有完整资料库，并要求“全部洗稿/批量改写” | 按点赞稳定排序，准备写作分片；Codex 逐篇重建正文，再另存口播稿、来源与开头时间映射，生成动态 N 篇索引、合集和核对清单。 |
原视频来自平台播放源，不能擦除作者上传前已烧录的 Logo、字幕或贴片。批量机器稿未经逐篇人工听音校对；语义校对和改写使用额外模型用量，另存成品，保留原片、原稿和 SRT。
把下面这句话发给 Codex：
安装这个 Skill：https://github.com/ahang008/ah-douyin-clean-downloader
仓库根目录就是 Skill 目录。内置 skill-installer 的标准安装命令保持不变：
python3 "${CODEX_HOME:-$HOME/.codex}/skills/.system/skill-installer/scripts/install-skill-from-github.py" \
--repo ahang008/ah-douyin-clean-downloader \
--path . \
--name ah-douyin-clean-downloader
安装到 ~/.codex/skills/ah-douyin-clean-downloader/，新开一轮 Codex 对话即可使用。无需安装第二份整号或改写 Skill。内置安装器遇到已存在的同名目录会拒绝覆盖；上述命令用于新安装，不是本机升级命令。更新已有安装时先比较源文件，保留本机私有运行数据。
要新安装尚未合并的 v0.5.0 开发分支，在标准命令中指定 ref：
python3 "${CODEX_HOME:-$HOME/.codex}/skills/.system/skill-installer/scripts/install-skill-from-github.py" \
--repo ahang008/ah-douyin-clean-downloader \
--ref feat/creator-batch-offline \
--path . \
--name ah-douyin-clean-downloader
也可直接克隆：
mkdir -p "${CODEX_HOME:-$HOME/.codex}/skills"
git clone --depth 1 https://github.com/ahang008/ah-douyin-clean-downloader.git "${CODEX_HOME:-$HOME/.codex}/skills/ah-douyin-clean-downloader"
| 模式 | 环境 |
|---|---|
| 仅下载单条原视频 | Python 3.9+、curl；支持 macOS、Linux 和带这些工具的 Windows。ffprobe 可选，用于完整媒体检查。 |
| MLX 转写与整号批量 | Apple Silicon Mac、macOS 15+、Python 3.12、curl、ffmpeg/ffprobe；固定依赖安装在本 Skill 的独立虚拟环境。 |
| 整号官方页面采集 | 上述批量环境，再加已安装的 Microsoft Edge 和可选 Playwright 运行时。 |
| 已有库的改写准备、渲染与检查 | Python 3.9+，不重新下载、识别或登录；写作与语义审核由 Codex 完成。 |
仅下载无需安装 MLX 或浏览器依赖。环境自检：
SKILL_DIR="${CODEX_HOME:-$HOME/.codex}/skills/ah-douyin-clean-downloader"
python3 "$SKILL_DIR/scripts/doctor.py" --format text
要使用本地转写，先准备 curl、ffmpeg/ffprobe 和 Python 3.12，再运行：
"$SKILL_DIR/scripts/bootstrap.sh"
"$SKILL_DIR/.venv/bin/python" "$SKILL_DIR/scripts/transcribe_local.py" --doctor
模型缺少时显式准备一次：
"$SKILL_DIR/.venv/bin/python" "$SKILL_DIR/scripts/transcribe_local.py" --download-model
整号采集另运行 scripts/bootstrap-browser.sh。它只安装可选控制依赖并检查已有 Edge，不下载替代浏览器。首次安装依赖和下载模型需要网络；已缓存模型的识别在本机执行。
单条下载默认按博主分类保存到 ~/Desktop/抖音无水印视频/<博主昵称>/，昵称缺失时使用 未知博主：
python3 "$SKILL_DIR/scripts/download_douyin.py" "<完整官方视频链接或口令>"
指定媒体库根目录加 --output-dir；使用用户明确配置的代理加 --proxy 或设置 AH_DOUYIN_PROXY，不修改系统代理。下载成功 JSON 包含文件路径、大小及实际测得的媒体信息。
单条逐字稿：
"$SKILL_DIR/.venv/bin/python" "$SKILL_DIR/scripts/transcribe_douyin.py" "<完整官方视频链接或口令>"
脚本先返回机器稿和两份成品路径；Codex 必须完成整篇校对、同步 SRT 文字并验收后，清理返回的 work_dir。细则见 单条逐字稿。
博主公开作品批量：
"$SKILL_DIR/.venv/bin/python" "$SKILL_DIR/scripts/run_creator.py" "https://www.douyin.com/user/<sec_uid>" --root "/absolute/path/creator-library" --browser-session
这是默认采集路线，--browser-session 可显式保留。用户在专用正常 Edge 官方窗口普通扫码并在手机确认登录，随后脚本自动分页、下载、本地识别和合并，不需要模型 Computer Use。同一命令和同一资料库可中断后续跑；已有验证文件跳过。需要采集新作品时加 --refresh-catalog。
批量原片、机器稿、SRT 和证据保留；成功后自动导出 <作者>-N条机器逐字稿合集.md 与 catalog/transcripts-N.jsonl，并保存 catalog/作品标题标签封面.jsonl、封面 JPEG 和 标题标签封面索引.md。已有机器稿还会生成 annotated-transcripts/<视频ID>/ 下的逐条阅读副本，把标题、标签及封面识字结果放在原机器稿前面，原件字节不改；人工改过的副本不会被静默覆盖。封面识别用本地 OCR，低置信度与空结果分别标记；机器识字不等于人工核对。完整参数、目录结构和验收见 整号批量流程。不要把单条模式的清理规则用于批量资料库。
已有目录只补标题候选、标签和封面时，可使用 run_creator.py --stage metadata --root <资料库>；这一步不下载 MP4 或重新转写。标题候选来自完整发布文案的第一个 # 之前，原文直接以标签开头时为空；选定封面与视频首帧要分开。单条只要逐字稿时，现有流程仍只交付校对后的 Markdown/SRT，受控临时视频验收后清理。
批量文件名统一为 赞1234_评56_藏78_转90_视频标题-视频ID.mp4/.md/.srt。缺失计数使用“未获取”，真实零保留为 0；各作品的采集时间、可用性和其他公开指标写入目录、JSONL 与 catalog/作品数据指标.csv。指标会随时间变化，文件名代表保存的观察快照。仅刷新指标时运行原命令并加 --stage collect --refresh-catalog，即可更新已有文件名、索引和完整合集，无需重新下载或转写。
改名在下载和识别停止写入后执行，同步各路径记录并保留源文件校验值；中断后先恢复改名，再续跑。旧目录没有指标时仍能读取，完整刷新后可升级命名。公开分页完整不代表每项数据均可用；网页返回的播放占位零视为未核实。作者后台的完播率、转化等数据需要另有合法数据来源，当前流程不会补造。
直接告诉 Codex：“把这个已完成资料库全部改写成我的口播稿，保留完整开场，按点赞从高到低交付。”本 Skill 会读取 批量改写说明，验证原库并把工作状态和成品放在不同目录：
python3 "$SKILL_DIR/scripts/batch_rewrite.py" prepare \
--root "/absolute/path/creator-library" \
--work-dir "/absolute/path/rewrite-work" \
--output-dir "/absolute/path/rewrite-output" \
--shards 3 \
--persona "阿杭"
--catalog FILE 可指定目录文件；默认优先读取 ROOT/catalog/browser-catalog.json，否则读取 ROOT/catalog/catalog.json。--shards 按实际批量和可用并行调整，作品数 N 来自原库。准备过程只读取已验证的原片、机器稿、SRT 与证据，不下载、不识别、不登录。
Codex 读取各分片，决定开场需要连续保留多少个 ASR 片段，在 WORK/drafts-*.jsonl 写新正文与必要核对。开场按完整语意锁定，通常约 5 秒，以实际内容为准；不按秒数、句号或固定片段数截断。正文承接原题材、语气和开场逻辑，重建为自己的 2–3 个核心层次与新案例。原作者的学员案例/履历、收入、负债、减肥经历不自动成为改写者事实；虚构示例写明“比如”，锁定开场中的未确认亲历单列待核，只影响相关稿。
python3 "$SKILL_DIR/scripts/batch_rewrite.py" render \
--work-dir "/absolute/path/rewrite-work" \
--drafts "/absolute/path/rewrite-work/drafts-1.jsonl" "/absolute/path/rewrite-work/drafts-2.jsonl" "/absolute/path/rewrite-work/drafts-3.jsonl"
python3 "$SKILL_DIR/scripts/batch_rewrite.py" check \
--work-dir "/absolute/path/rewrite-work"
完整渲染默认必须覆盖每个源视频 ID 且只出现一次。输出为 001_赞…_评…_藏…_转…_标题-ID/01-洗稿口播稿.md，带完整开场、正文、必要拍摄建议、首评、最多 3 条具体核对、来源和开头时间映射；全量时生成 00-N篇口播稿合集.md 和索引。--partial 用于明确交付未完成范围，不生成完整合集。已有手改成品不会被静默覆盖；源库漂移时建立新的工作目录。已有库默认不重新采集，用户明确要求最新指标时可先完整刷新，再创建新的 WORK 快照。
主排序为点赞降序，并列依次比较分享、收藏、评论、发布时间降序和 ID 升序；未获取计数排在已知值后。辅助参考分仅对同批四项指标完整的作品计算，使用平均并列分位：赞 40%、转 30%、藏 20%、评 10%。缺项不填 0、不出完整分；辅助分只供编辑选稿，不代表播放量或平台算法。播放量未获取时绝不估算。
机械验证能检查覆盖、顺序、锁定开头、文件可读性和来源一致性；逐篇语义、事实和听音须单独完成。全篇读取并核验衔接、开场承诺与结尾，重复检测只是复核提示。创作和语义审核仍消耗模型用量，不能称“洗稿零 Token”。在 Obsidian 项目中，按项目路由保存任务记录、索引与稿件；媒体、缓存和 WORK 状态进入 _工具/，用户指定路径优先。
catalog_complete=true、两个全量保存标志均为 true、缺失 ID 为空且文件校验通过，才可称当前公开视频范围完成。官方首页计数、样本下载成功或旧合集均不足以证明全量；机器稿完成也不代表已人工校对。
维护实测验证过连续官方分页、完整原片与机器稿/SRT/证据、续跑校验跳过和正常退出。作品数与导出数量以每次实际资料库为准。公开仓库不包含真实媒体、全文、登录截图或浏览器资料目录。
机械批量脚本不调用付费解析、托管 ASR、在线 LLM 或模型 Computer Use。单条语义校对、批量创作、语义审核和 Codex 对话本身仍使用模型用量。下载和模型准备需要网络；本地识别消耗计算、内存、磁盘和电量。文件技术验收不认证内容语义、事实和听音质量。
专用 Edge 会正常保存本次登录；.browser-session/ 和登录截图属于私有运行数据，不随 Skill 打包、不公开分享。流程不读取或复制日常浏览器会话，不修改系统代理，不削弱浏览器沙箱、证书校验或密码存储。
python3 -m unittest discover -s tests -v
python3 -m py_compile scripts/*.py tests/*.py
回归使用合成数据和模拟识别，不需要真实账号、钥匙串或用户私密内容。故障排查见 troubleshooting.md，后端边界见 backend.md，版本变化见 CHANGELOG.md。项目来源见 PROVENANCE.md 与 THIRD_PARTY_NOTICES.md。
本项目保持源码可见、非商业使用许可证，允许个人学习、研究和非商业使用；未经书面授权不得用于商业用途，不属于 OSI 认可的开源许可证。完整条款见 LICENSE。
其他独立 Skill 见 ahang008/ah-skills。