Communitygithub.com

批量视频转录

从视频批次中提取完整时间线的音频,生成带时间戳的中文转录文本、说话人片段、Word文档和本地HTML搜索。仅在明确调用 batch-video-transcription 时使用。

批量视频转录 是什么?

该技能专为需要从视频文件批量提取音频并生成中文转录文本的开发者或AI代理用户设计。它利用阿里云北京Fun-ASR作为唯一实现语音识别提供商,自动处理从视频提取音频、转录、分割说话人片段并生成结构化输出(如Word文档和可本地搜索的HTML页面)的完整工作流程。用户需通过本地界面或CLI指定工作文件夹和视频范围,系统会报告任务数量、时长、当前价格估算并请求权限,然后通过本地屏蔽字段安全输入密钥,避免敏感信息暴露。技能包含完善的恢复机制,可保留任务ID、重试历史及成本预留,支持有界重试/退避策略,并在出现提交失败或配额问题时避免盲目重试。主要支持的平台包括任何可运行Python 3.10+、FFmpeg的环境,且所有处理均在本地完成,不上传视频本身,仅传输音频转录所需的数据。

兼容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/s010s/batch-video-transcription-skill/tree/HEAD

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

批量视频转录 是做什么的?

仅在明确调用后使用。阿里云北京 Fun-ASR 是唯一实现的识别提供商。调用不授权软件安装、音频上传、花费或公开发布。

工作流程

  1. 确定精确的媒体范围和独立工作文件夹。保留原始视频。检查稳定下载、音轨、可用空间、Python 3.10+、FFmpeg 和 ffprobe。仅当需要设置时阅读依赖项;重复使用兼容环境并在安装前获得许可。
  2. 优先使用本地界面(python scripts/app.py),以便用户选择文件夹并检查。对于现有批次,使用 --work '<work>';不要重新初始化。准备工作在本地完成,所选子集绝不可静默扩展。默认导出文件夹为 <source>/Transcription-Export;解决冲突时不删除或覆盖之前的输出。有关CLI准备和精确范围选项,请参阅执行。
  3. 报告实际数量、时长、目的地和当前价格估算。获取此批次上传和总限额的许可。自动考虑之前可能的费用;不要请用户计算剩余预算。预留费用并非实际计费或可用账户额度。
  4. 让用户在本地屏蔽字段中私下输入密钥并确认批次。绝不可通过聊天、截图、DOM、请求、文件或进程内存读取密钥。保持当前操作运行,而非替换它以修复无关项目。仅观察无密钥的任务状态和输出。
  5. 对照每个源验证交付的文件,包括时间戳和文本。将由提供商确认无词的结果视为正常完成输出,附带简短事实说明,而非静默证据。区分未解决的提交、真实失败和未完成的下载。请求时使用 python scripts/merge_export.py --work '<work>' 生成合并的Word摘要。保留措辞和每个视频的说话人ID。报告任何未执行的收听、播放或视觉检查。

恢复

每个批次保持一个写入器,并保留任务ID、尝试历史和成本预留。查询已知ID;不要重新提交它们以恢复下载。对瞬时查询使用有界重试/退避,并隔离未解决项目,以便无关工作可以继续。不要清除锁或擦除故障历史以强制推进。

丢失的提交响应仍可能已产生费用。保留不确定的尝试。尽可能对账,或在有限的新尝试之前获得可能的重复收费的明确接受,且两个预留均位于授权总额内。不要声称精确一次交付。更大的预算是单独的用户决定。

在提供恢复操作之前尊重用户暂停。进行中的请求无法撤销;在安全边界保存返回的ID。源/磁盘更改、凭证错误和配额失败需要诊断,而非盲目重试。有关状态和凭证边界,请阅读操作;有关恢复命令,请阅读执行。

范围与维护

保持界面仅限本地,不共享其会话链接。密钥在进程重启后不会持久化。不要宣传系统密钥链存储或未经测试的主机/平台行为已实现。

仅当添加提供商时加载提供商,仅当安装或分发特定主机副本时加载主机打包。代码更改后运行 python scripts/check_tests.py;模拟测试不能证明实时识别。仅打包源代码、文档和测试,绝不打包运行时数据或凭证。

相关技能