Communitygithub.com

gengwg/skills

Transcreva um vídeo sem legendas (X/Twitter, YouTube, qualquer URL compatível com yt-dlp ou arquivo local) com o Whisper local, escreva um SRT e grave as legendas em um novo MP4. Use quando solicitado a 'obter a transcrição', 'extrair o que eles dizem', 'adicionar legendas', 'legendar este vídeo' ou 'este vídeo não tem legendas'.

O que é skills?

Esta skill permite transcrever e legendar vídeos completamente offline, sem depender de serviços em nuvem. Ela utiliza yt-dlp para baixar o vídeo, o modelo faster-whisper para transcrição local de áudio em texto, gera um arquivo SRT com as legendas e, opcionalmente, queima as legendas no vídeo usando ffmpeg, resultando em um MP4 com legendas incorporadas. É útil para desenvolvedores e usuários que precisam de transcrições precisas ou legendas permanentes em vídeos de plataformas como X/Twitter, YouTube ou qualquer URL suportada pelo yt-dlp, além de arquivos locais. A skill suporta ajustes finos, como re-transcrição de trechos problemáticos com dicas de vocabulário, e oferece recomendações sobre o modelo Whisper a ser usado (small, medium ou large-v3) dependendo da necessidade de precisão versus velocidade.

Funciona com~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/gengwg/skills/tree/HEAD/video-transcribe-and-caption

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

Skill: transcrição-e-legendas-de-vídeo

Propósito

Transformar a fala de um vídeo em texto sem usar nenhum serviço em nuvem: baixar com yt-dlp, transcrever localmente com faster-whisper, gerar um SRT e, opcionalmente, gravar as legendas com ffmpeg para que apareçam em qualquer player.

Passos

1. Verificar ferramentas

which yt-dlp ffmpeg uv; nvidia-smi --query-gpu=name --format=csv,noheader 2>/dev/null

uvx yt-dlp e uv run --with faster-whisper evitam instalar nada. Apenas o filtro subtitles do ffmpeg precisa de uma build real do ffmpeg com libass (ffmpeg -filters | grep subtitles); o binário empacotado do imageio-ffmpeg pode não ter esse recurso.

2. Baixar

uvx yt-dlp -f "bv*[ext=mp4]+ba[ext=m4a]/b[ext=mp4]/b" --merge-output-format mp4 -o "video.%(ext)s" --no-playlist "<url>"
uvx yt-dlp --skip-download -j "<url>" | jq '{title, uploader, upload_date, description}'

3. Transcrever para SRT

# srt.py — execute com: uv run --with faster-whisper python srt.py
from faster_whisper import WhisperModel

def ts(t):
    h, r = divmod(t, 3600); m, s = divmod(r, 60)
    return f"{int(h):02d}:{int(m):02d}:{int(s):02d},{int(s % 1 * 1000):03d}"

model = WhisperModel("large-v3", device="cpu", compute_type="int8")  # device="cuda" se existir GPU
segments, info = model.transcribe("video.mp4", vad_filter=True, beam_size=5)
with open("video.srt", "w") as f:
    for i, s in enumerate(segments, 1):
        f.write(f"{i}\n{ts(s.start)} --> {ts(s.end)}\n{s.text.strip()}\n\n")

Escolha do modelo:

  • small é rápido, mas distorce áudio com várias vozes, piadas e jargões. Bom para uma primeira olhada, não para legendas.
  • large-v3 é o modelo para usar de fato. É um primeiro download de ~3 GB em ~/.cache/huggingface/hub/; em uma conexão lenta, isso pode levar 30 minutos ou mais. Avise e pergunte antes de iniciar; medium tem metade do tamanho.
  • Execute transcrições longas em segundo plano e relate o progresso honestamente: verifique se o blob .incomplete no cache do Hugging Face ainda está crescendo (baixando) ou se o processo está com alta CPU (transcrevendo).

4. Corrigir linhas mal interpretadas

O Whisper ainda interpreta mal nomes e palavras de domínio específico. Re-transcreva apenas o trecho problemático com dicas de vocabulário, em vez de reprocessar o arquivo inteiro:

ffmpeg -loglevel error -y -ss 53 -to 64 -i video.mp4 -vn -ac 1 -ar 16000 clip.wav
segments, _ = model.transcribe("clip.wav", beam_size=5,
    initial_prompt="Lista curta de palavras esperadas: nomes de produtos, jargões, nomes de emojis.")

Em seguida, edite manualmente essas entradas do SRT (mantenha os timestamps). Capturar um quadro (ffmpeg -ss 58 -i video.mp4 -frames:v 1 f.jpg) ajuda quando o texto na tela desambigua o áudio. Informe ao usuário quais linhas ainda têm baixa confiança, em vez de apresentar um palpite como fato.

5. Gravar legendas

ffmpeg -hide_banner -loglevel error -y -i video.mp4 \
  -vf "subtitles=video.srt:force_style='FontSize=20,Outline=1,MarginV=30'" \
  -c:v libx264 -preset fast -crf 20 -c:a copy video_cc.mp4

Mantenha o SRT junto ao arquivo de saída, para que uma única linha possa ser corrigida e re-renderizada em menos de um minuto. Para legendas soft (alternáveis), multiplexe com ffmpeg -i video.mp4 -i video.srt -c copy -c:s mov_text video_cc.mp4.

Entregas

Vídeo original, vídeo legendado, arquivo .srt e a transcrição simples. Mencione o tamanho do modelo em cache para que o usuário possa excluí-lo.

Erros comuns

  • Usar a saída do modelo small como legendas.
  • Iniciar o download de um modelo de vários GB sem perguntar.
  • Reprocessar a transcrição completa para corrigir três linhas.
  • Usar um ffmpeg sem libass e receber "No such filter: subtitles".

Habilidades Relacionadas