🎵

Audio Video To Text

Easy

音视频转文字技能，使用 Whisper 进行语音识别。支持多种音视频格式，可输出纯文本、SRT/VTT 字幕或 JSON 格式。适用于会议记录、视频字幕生成、采访整理、播客转录等场景。

Install

🤖Use in AI Agents

Claude Code

# Install Skill (downloads SKILL.md to .claude/skills/)
clawhub install audio-video-to-text

# Then just tell Claude: "use Audio Video To Text to help me..."

OpenAI Codex / Cursor / Windsurf

# Same install command — works with all SKILL.md-compatible AI coding tools
clawhub install audio-video-to-text

OpenClaw Ecosystem

This Skill is compatible with the OpenClaw standard. After installation, a SKILL.md file is auto-generated, usable by any OpenClaw-compatible AI Agent (Claude Code, Cursor, Windsurf, etc.).

Environment & Dependencies

SKILL.md

概述

本技能使用 OpenAI Whisper 模型将音频/视频文件转换为文字。支持自动语言检测和多种输出格式。

何时使用

会议录音转文字记录
视频内容生成字幕（SRT/VTT）
采访/播客内容整理
语音备忘录转文本
多语言视频翻译准备

快速开始

1. 安装依赖

pip install openai-whisper ffmpeg-python

确保系统已安装 ffmpeg：

# Ubuntu/Debian
sudo apt-get install ffmpeg

# macOS
brew install ffmpeg

# Windows
# 从 https://ffmpeg.org/download.html 下载

2. 基本用法

python scripts/transcribe.py <输入文件> [输出文件] [选项]

3. 示例

# 转录 MP4 视频，输出文本
python scripts/transcribe.py meeting.mp4

# 转录音频，输出 SRT 字幕
python scripts/transcribe.py podcast.mp3 podcast.srt --output-format srt

# 指定中文和较小模型（更快）
python scripts/transcribe.py interview.wav --model tiny --language zh

# 输出带时间戳的 JSON
python scripts/transcribe.py video.mp4 result.json --output-format json

命令行选项

| 选项 | 说明 | 默认值 | |------|------|--------| | --model | 模型大小：tiny, base, small, medium, large | base | | --language | 语言代码：zh, en, ja 等 | 自动检测 | | --output-format | 输出格式：txt, srt, vtt, json | txt | | --device | 运行设备：cpu, cuda | cpu | | --keep-audio | 保留临时音频文件 | false |

模型选择指南

| 模型 | 大小 | 速度 | 精度 | 适用场景 | |------|------|------|------|----------| | tiny | 39M | 最快 | 一般 | 快速测试、短音频 | | base | 74M | 快 | 良好 | 日常使用 | | small | 244M | 中等 | 较好 | 正式场合 | | medium | 769M | 慢 | 很好 | 高精度需求 | | large | 1550M | 最慢 | 最佳 | 专业转录 |

输出格式说明

TXT（纯文本）

这是转录的完整文本内容，适合阅读和编辑。

SRT（字幕格式）

1
00:00:01,000 --> 00:00:04,000
这是第一句字幕。

2
00:00:04,500 --> 00:00:07,000
这是第二句字幕。

VTT（Web 字幕）

WEBVTT

00:00:01.000 --> 00:00:04.000
这是第一句字幕。

00:00:04.500 --> 00:00:07.000
这是第二句字幕。

JSON（完整数据）

包含分段、时间戳、置信度等完整信息，适合程序处理。

支持的文件格式

音频： MP3, WAV, FLAC, OGG, M4A, AAC

视频： MP4, AVI, MOV, MKV, WEBM, FLV

性能优化建议

短音频优先用 tiny/base 模型 - 速度快，精度够用
长内容用 CPU - 避免 GPU 内存不足
指定语言 - 可提升准确率和速度
批量处理 - 脚本可循环调用处理多个文件

常见问题

转录质量不佳

尝试更大的模型（small/medium/large）
指定正确的语言代码
确保音频质量清晰

处理速度慢

使用更小的模型（tiny/base）
如有 GPU，使用 --device cuda
缩短音频长度或分段处理

内存不足

使用更小的模型
将长文件分割后分别处理
关闭其他占用内存的程序

脚本

scripts/transcribe.py - 主转录脚本

参考资料

[OpenAI Whisper 文档](https://github.com/openai/whisper)
[ffmpeg 文档](https://ffmpeg.org/documentation.html)
[ISO 639-1 语言代码](https://en.wikipedia.org/wiki/List_of_ISO_639-1_codes)