Audio Video To Text

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。

音视频转文字

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

bash

pip install openai-whisper ffmpeg-python

确保系统已安装 ffmpeg：

bash

# 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

bash

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

3. 示例

bash

# 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）

text

这是转录的完整文本内容，适合阅读和编辑。

SRT（字幕格式）

text

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）

text

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

1. 短音频优先用 tiny/base 模型 - 速度快，精度够用
2. 长内容用 CPU - 避免 GPU 内存不足
3. 指定语言 - 可提升准确率和速度
4. 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
• ffmpeg 文档
• ISO 639-1 语言代码