让每一条动态都有“声音”：手把手教你用 bskyScribe 给 Bluesky 做媒体无障碍描述

想象一下：你在 Bluesky 上刷到一段 45 秒的视频，创作者没留下任何文字说明；或者一张信息图，字小得看不清。对视力受限、听力受限，或只是通勤路上没带耳机的用户来说，这些内容就像上了锁。
bskyScribe 就是一把小巧却趁手的钥匙——它 24 小时蹲守通知栏，一旦有人召唤，就自动把图片、音频、视频翻译成一段 250 字以内的贴心摘要，再贴回评论区，让任何人都能“秒懂”。

这篇文章会带你走完从安装、配置到真正跑起来的全过程，不堆术语、不画大饼，每一步都给出可直接复制的命令和可感知的“为什么”。如果你刚刚专科或本科毕业，对 Python 只是“会用 pip”，也能顺利跟上。

1. 为什么我们需要“媒体描述机器人”？

bskyScribe 的价值不是炫技，而是把信息平权落到每一次回复。它用 Google Gemini 做大脑，用 AT Protocol 做耳朵和嘴巴，把原本需要人工撰写的“alt text”自动化、规模化，却又不牺牲可读性。

2. 项目全景：一张图看懂流程

图：bskyScribe 的五步循环

1. 监听：像安静的图书管理员，只在有人“点名”时才抬头。
2. 抓取：把原帖里的图片、视频、音频一次性拉回本地内存，不占硬盘。
3. 思考：丢给 Google Gemini，让它判断是“描述画面”“读文字”还是“总结语音”。
4. 精简：把可能上百字的分析压缩到 250 字符以内（Bluesky 单条限制）。
5. 回复：自动回帖，并在日志里留下一条“已完成”的绿钩。

3. 准备工作：一分钟清单

小提示：
App 密码 ≠ 登录密码，它是一串 16 位小写字母，专门给第三方程序用，用完可随时吊销，安全又省心。

4. 安装：三步到位

4.1 把代码抱回家

git clone https://github.com/your-org/bskyScribe.git
cd bskyScribe

4.2 造一个“隔离仓”——虚拟环境

python -m venv venv
source venv/bin/activate  # Windows 用 venv\Scripts\activate

为什么要虚拟环境？
就像给项目单独一间书房，避免和其他项目的“书籍”混放，升级或卸载库时不误伤。

4.3 一次性装完依赖

pip install -r requirements.txt

看到一排 Successfully installed… 就安心继续。

5. 配置：两行密钥，一行用户名

5.1 复制模板

cp .env.example .env

5.2 用你最顺手的编辑器打开 .env

GEMINI_API_KEY=你的_40_位字符串
BLUESKY_USERNAME=你的账号.bsky.social
BLUESKY_PASSWORD=你的_16_位_app_密码

图：把敏感信息写进 .env，而不是代码，方便后期换号或开源。

6. 跑起来：两种姿势

6.1 一次性“点读”某条帖子

适合调试，或只想帮朋友描述某张图。

from bots.transcriptionBot import MediaProcessingBot

bot = MediaProcessingBot()                 # 自动读取 .env
post_url = "https://bsky.app/profile/naomi.dev/post/3jx..."
result = bot.transcribe_post(post_url)     # 本地跑 3~15 秒
print(bot.format_transcription_reply(result))

终端会输出类似：

{"response": "图片是一杯拉花拿铁，旁边放着翻开的笔记本，阳光从左侧窗户照进来。"}

确认无误后，再发出去：

bot.post_transcription_reply(post_url)

6.2 7×24 小时守护

适合挂在云服务器，成为公共资源。

from daemon import Scribe

scribe = Scribe()
scribe.monitor_mentions()  # 阻塞式运行，Ctrl+C 停止

图：Render 免费实例即可跑，内存占用 < 100 MB。

7. 看懂返回：JSON 里的五个字段

8. 项目结构：像拆开一台随身听

bskyScribe/
├── clients/
│   ├── bluesky.py          # 负责“听”和“说”
│   └── gemini.py           # 负责“想”
├── bots/
│   └── transcriptionBot.py # 把两者缝在一起
├── prompt/
│   └── prompt.txt          # 写给 Gemini 的“作业题”
├── daemon.py               # 守护进程
├── render.yaml             # 一键上云
├── Procfile                # Heroku/Render 启动脚本
├── requirements.txt        # 依赖清单
└── .env                    # 你的私密便签

• bluesky.py 用 AT Protocol 的 subscribeRepos 监听新通知，再用 getPostThread 拉原帖。
• gemini.py 把媒体转成 base64 或临时 URL，连同 prompt.txt 一起 POST 到 https://generativelanguage.googleapis.com/v1beta/models/gemini-pro-vision:generateContent。
• transcriptionBot.py 决定何时“读文字”何时“总结语音”：如果检测到图片里有可识别文本且占比高，就走 OCR；否则走纯视觉描述。音频/视频先抽音轨，再转录。

9. Prompt 设计：让 AI 说“人话”

prompt.txt 只有 10 行，却决定机器人是“啰嗦老学究”还是“简明小助手”。核心段落：

- 请用中文回答，控制在 250 字以内。  
- 先一句话概括整体，再补充 2-3 个关键细节。  
- 遇到文字优先读文字，遇到人脸不猜身份，遇到暴力/血腥内容用“画面可能引起不适”代替。

经验：限制字数最有效的方式不是“请简短”，而是“中文 250 字以内”，大模型会自行截断。

10. 部署：从 0 到线上的 10 分钟

10.1 选 Render——免费又省心

1. 用 GitHub 账号登录 render.com。
2. New → Background Worker → 绑定仓库。
3. 环境变量页粘贴 .env 内容。
4. 保存，Deploy。第一次拉包 2~3 分钟，之后每次 push 自动上线。

10.2 观察日志

Render 的“Logs”标签实时滚动，出现：

INFO:root:👂 Mention detected from @naomi.dev
INFO:root:✅ Reply posted, length 238 chars

说明万事俱备。

11. 运行成本与性能

换句话说，每天处理 500 条帖子仍不会花一分钱。如果帖子暴增，Render 会自动排队，不丢消息。

12. 常见问题 FAQ

Q1：机器人会泄露我的私聊吗？
A：不会。它只处理公开帖子，且只在被 @ 时出现。代码开源，可自行审计。

Q2：音频里有个人隐私怎么办？
A：bskyScribe 默认不存储文件，分析完立即释放内存。你可以在 prompt.txt 里加一条“忽略人名”。

Q3：能否支持多语言回复？
A：把 prompt.txt 里的“请用中文”改成“请用用户母语”，Gemini 会自动识别原帖语言并匹配。

13. 进阶玩法：让机器人更像“你”

• 自定义签名：在 format_transcription_reply 末尾加一句 “—— by 小描” 就能让粉丝一眼认出。
• 过滤 NSFW：在 transcriptionBot.py 里加文字关键词检测，发现敏感词直接回复“内容不适合公开描述”。
• 批量历史补描述：遍历自己 2023 年的帖子，把没写 alt 的图片一次性补全，提升旧内容可访问性。

14. 如何贡献：从“用的人”到“一起养的人”

1. Fork 仓库 → 新建分支 feature/emoji-support。
2. 改完跑通 python -m pytest tests/。
3. 发 Pull Request，标题格式：Add emoji support for video summaries (#42)。
4. 维护者会在 48 小时内 review，合并后发 release 并 @ 你致谢。

15. 结语：让信息不再“沉默”

bskyScribe 不是最复杂的 AI 项目，却可能是最贴近日常善意的那一个。它把昂贵的多模态大模型拆成一条 250 字的便签，贴在每一扇可能关上的门前。
如果你也愿意让自己的帖子“开口说话”，不妨今天就试试。装好环境、填好密钥，@ 它一句 “describe this”，你会第一次发现——技术原来可以这么温柔。

图：无障碍不是额外功能，而是让每个人都能走在阳光下。