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
功能概述
音视频转文字是一项面向实际任务的技能，主要用于本技能使用 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；
核心要点
- 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；
使用与执行
语音备忘录转文本；多语言视频翻译准备；1. 安装依赖；确保系统已安装 ffmpeg：；2. 基本用法；3. 示例；命令行选项；
结果检查与注意事项
model；模型大小：tiny, base, small, medi。它将相关步骤、工具调用和结果整理方式集中到统一流程中，帮助使用者更快完成目标并减少重复操作。从功能定位来看，该技能强调把分散的操作要求整理成清晰、可复用的处理流程，使用户能够围绕既定目标快速准备输入、选择执行方式并获得结构化结果。实际使用前应先确认任务范围、数据来源、运行环境、必要权限和关键参数，再依据技能说明逐步执行；若输入条件不完整，应先补齐信息或采用保守配置，避免因错误假设导致结果偏离需求。执行过程中需要关注工具调用是否成功、接口或依赖是否可用、输出格式是否符合预期，并对异常提示、缺失字段和边界情况进行处理；涉及批量任务时，还应保存进度，避免中断后重复操作。
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
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
- ffmpeg 文档
- ISO 639-1 语言代码
相关专题
本专题从实际API接口调试场景出发，讲解Postman身份认证的完整配置流程，包括常见认证协议介绍、授权参数设置、访问令牌填写、OAuth 2.0授权及认证失败排查，帮助用户正确完成接口授权与访问验证。
2026.11.06
0
12
围绕Postman HTTP请求头配置展开，讲解Headers选项的具体使用方式，包括Key和Value参数填写、请求头信息添加、常见Header字段设置及请求头修改方法，帮助用户解决接口调试过程中遇到的请求头配置问题。
2026.11.06
0
13
详细介绍Postman接口请求的创建与发送方法，涵盖GET和POST请求、URL配置、请求参数、Headers请求头、Body请求体设置以及响应结果查看，帮助用户掌握Postman接口请求的完整操作流程。
2026.11.06
0
10
DBeaver数据导入专题，整理Excel、CSV、SQL、TXT等常见文件的数据导入方法，涵盖目标数据库选择、数据表创建、字段映射、数据类型设置及导入参数配置等操作，帮助用户将本地文件中的数据写入数据库，并了解批量导入、重复数据处理和导入失败等常见问题的解决方法。
2026.11.05
0
12
DBeaver安全防护专题，围绕数据库连接安全、账号密码保护和访问权限管理展开，整理SSL/TLS加密连接、SSH隧道、数据库凭据保存及证书验证等配置方法，同时介绍敏感信息保护、远程连接风险和高权限账号使用等注意事项，帮助用户提高数据库日常管理的安全性。
2026.11.05
0
12
本专题聚焦DBeaver数据库连接配置与管理，覆盖从新建连接、选择数据库类型到填写连接参数和验证连接的完整流程。针对MySQL、PostgreSQL、SQL Server等常见数据库，整理相应的连接设置方法，并提供驱动缺失、认证失败和连接异常等问题的排查方向。
2026.11.04
0
16
本专题围绕XORM框架的结构体映射展开，说明表名与字段的命名策略、xorm标签常用属性、主键自增与时间字段自动填充，并演示Sync2自动建表、增量字段升级、索引声明与反向生成结构体的完整流程。
2026.11.04
0
15
本专题聚焦XORM框架的配置与连接环节，拆解MySQL、PostgreSQL、SQLite、SQL Server的DSN写法与驱动选择，讲清连接池参数、多数据源拆分、读写分离与超时重连的处理方式，并补充容器与兼容数据库的适配经验。
2026.11.04
0
15
本专题聚焦XORM框架的配置与连接环节，拆解MySQL、PostgreSQL、SQLite、SQL Server的DSN写法与驱动选择，讲清连接池参数、多数据源拆分、读写分离与超时重连的处理方式，并补充容器与兼容数据库的适配经验。
2026.11.04
0
16
热门下载
相关下载
精品课程
共6课时 | 54.7万人学习
共89课时 | 134.1万人学习
共49课时 | 82.6万人学习
最新文章