Agent Skills
返回列表
本地 Whisper 语音转写

本地 Whisper 语音转写

设计多媒体 更新于 2026.08.30

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 @zcwl/openai-whisper。

技能介绍

面向的问题

当开发者需要处理本地音频时，常见需求并不是“把音频发到云端”，而是希望在本机完成 转写、翻译 和 字幕生成。这类任务通常涉及会议录音、采访音频、播客片段或视频素材，既希望避免不必要的外发，又需要得到可直接使用的文本或 SRT 文件。

核心能力与工作方式

该技能围绕 Whisper CLI 提供本地音频转写能力。它适合从已有音频文件出发，将语音内容转换为文本，并按需输出为不同媒体处理格式。

  • 本地转写：直接读取 audio.mp3、audio.m4a 等音频文件
  • 模型选择：可使用较小模型追求速度，也可使用较大模型追求准确性
  • 输出格式：支持 txt、srt 等常见输出
  • 翻译任务：可通过 translate 任务将语音内容翻译为英文文本
  • 缓存机制：首次运行时模型会下载到 ~/.cache/whisper，后续运行复用本地模型

默认模型为 turbo，因此在日常使用中通常不需要手动指定模型；如果任务对延迟或资源占用敏感，可显式调整模型大小。

适用边界

这个技能更适合离线文件级转写，例如把一段录音整理成文字稿，或为视频素材生成字幕文件。它不是实时流式语音识别服务，也不等同于专业语音工作台；对强噪声、多人重叠、口音复杂或要求高准确字幕校对的任务，仍需结合人工审核。

使用场景

  • 处理访谈录音，将 mp3 转成 txt 文稿以便整理要点。
  • 给视频剪辑素材生成 srt 字幕，供后期导入剪辑工具。
  • 将外语语音片段翻译成英文文本，用于快速核对内容。
  • 把多段会议录音分别转写成本地文本，避免上传云端。

适合人员

  • 需要把采访音频整理成文字稿的播客剪辑师。
  • 要做字幕制作和字幕校对的视频编辑。
  • 需要快速翻译外语录音内容的本地化运营。
  • 在离线环境中处理媒体素材的独立开发者。