Agent Skills
返回列表
🎨

本地视频字幕与语音转写

设计多媒体 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中:

请根据 https://skillhub.cn/install/skillhub.md,安装 @user_2fd890c9/auto-subtitles。

技能介绍

要解决什么问题

课程录屏、采访素材和会议录音往往只有音轨,没有可检索、可剪辑的字幕或文稿。云端转写要把整段媒体上传出去,长视频还容易遇到配额和隐私顾虑。这个技能把 离线文件转写 当成固定流程:从本地 mp4/mkv 或独立 wav/m4a 抽出语音,用 Whisper 类模型生成带时间戳的 SRT,或按需输出 txt/json。

技能如何工作

触发后按标准路径执行:先做 环境自检(Python ≥3.8、ffmpeg、模型目录如 ~/.auto-subtitles/models/),再对指定文件跑 auto-subtitles。默认可选 --model(base/small/medium)、--language(或自动检测)、--output-format 与 --max-line-length,在同目录落同名 .srt。转写结束会给出 置信度评分;低于 70 会提示全文复核,不确定片段以 [需核实:…] 标出而非瞎编。

边界与注意点

  • 不支持 实时流式识别、说话人区分、跨语言翻译,也不做人声与背景音乐分离。
  • 标准普通话与常见英语口音较稳;强方言、强噪场景准确率会掉。
  • 文档建议单次处理别超 2 小时,否则可能内存或超时;首次可先用 5 分钟内片段试水。
  • 处理前确认你对素材有合法使用权;转写错误需人工对照视频抽检开头、中段、结尾若干时间点。

使用场景

  • 拍完课程录屏后,需在本地从 mp4 生成带毫秒时间轴的 SRT,方便剪辑软件导入
  • 电话会议录成 m4a,要把整段录音整理成可搜索的 txt 文稿存档
  • 短视频 Vlog 素材无字幕,想在不连网的前提下批量为多个 mp4 各产出同名 srt
  • 发布前用 --selftest 确认本机 Python、ffmpeg 与 whisper 模型目录是否就绪

适合人员

  • 独立课程博主,每周多段录屏要补字幕且不愿把未发布视频传到第三方转写服务
  • 播客/媒体剪辑,手里是采访 wav 或 mkv,需要快速出文稿核对引用与事实
  • 企事业单位内训负责人,会议录音在涉密环境只能在内网机器做语音转文字
  • 开源教程维护者,希望用指定 --language zh 提高普通话口播字幕的识别稳定性