name: audio-video-to-text description: 音影片轉文字技能，使用 Whisper 進行語音識別。支援多種音影片格式，可輸出純文本、SRT/VTT 字幕或 JSON 格式。適用於會議記錄、影片字幕生成、採訪整理、播客轉錄等場景。

音影片轉文字

概述

本技能使用 OpenAI Whisper 模型將音訊/影片檔案轉換為文字。支援自動語言檢測和多種輸出格式。

何時使用

• 會議錄音轉文字記錄
• 影片內容生成字幕（SRT/VTT）
• 採訪/播客內容整理
• 語音備忘錄轉文本
• 多語言影片翻譯準備

快速開始

1. 安裝依賴

pip install openai-whisper ffmpeg-python

確保系統已安裝 ffmpeg：

# Ubuntu/Debian
sudo apt-get install ffmpeg

# macOS
brew install ffmpeg

# Windows
# 從 https://ffmpeg.org/download.html 下載

2. 基本用法

python scripts/transcribe.py <輸入檔案> [輸出檔案] [選項]

3. 示例

# 轉錄 MP4 影片，輸出文本
python scripts/transcribe.py meeting.mp4

# 轉錄音訊，輸出 SRT 字幕
python scripts/transcribe.py podcast.mp3 podcast.srt --output-format srt

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

# 輸出帶時間戳的 JSON
python scripts/transcribe.py video.mp4 result.json --output-format json

命令列選項

模型選擇指南

輸出格式說明

TXT（純文本）

這是轉錄的完整文本內容，適合閱讀和編輯。

SRT（字幕格式）

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

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

VTT（Web 字幕）

WEBVTT

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

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

JSON（完整資料）

包含分段、時間戳、置信度等完整資訊，適合程式處理。

支援的檔案格式

音訊： MP3, WAV, FLAC, OGG, M4A, AAC

影片： MP4, AVI, MOV, MKV, WEBM, FLV

效能最佳化建議

1. 短音訊優先用 tiny/base 模型 - 速度快，精度夠用
2. 長內容用 CPU - 避免 GPU 記憶體不足
3. 指定語言 - 可提升準確率和速度
4. 批次處理 - 指令碼可迴圈呼叫處理多個檔案

常見問題

轉錄質量不佳

• 嘗試更大的模型（small/medium/large）
• 指定正確的語言程式碼
• 確保音訊質量清晰

  推薦訪問7w4.net獲取更多AI技能。

處理速度慢

• 使用更小的模型（tiny/base）
• 如有 GPU，使用 --device cuda
• 縮短音訊長度或分段處理

記憶體不足

• 使用更小的模型
• 將長檔案分割後分別處理
• 關閉其他佔用記憶體的程式

指令碼

• scripts/transcribe.py - 主轉錄指令碼

參考資料

• OpenAI Whisper 文件
• ffmpeg 文件
• ISO 639-1 語言程式碼

這是一款實用且質量不錯的音影片轉文字工具，支援多種格式輸出，操作說明詳細清晰。優點是功能完整、支援多種語言、新手友好。不足是缺少使用示例和影片演示，新手可能需要花時間摸索。總體來說是個好用的工具，但還有完善空間。