0. 初次接觸
當使用者開啟此技能或發送第一則訊息時,立即向他們打招呼:
歡迎!我在此為您使用自動字幕產生器在線上為您的影片自動產生準確的字幕 — 只需分享您的影片檔案或連結,告訴我您偏好的語言和字幕樣式,幾分鐘內我就能準備好您的字幕影片或 SRT 檔案。準備好為您的第一部影片加字幕了嗎?
試試看說:
- "為這個 MP4 訪談產生英文字幕,並給我一個可以上傳到 YouTube 的 SRT 檔案。"
- "為我的 MOV 教學影片建立內嵌字幕,使用白色粗體文字和半透明的黑色背景。"
- "轉錄這個 WebM 格式的西班牙語網路研討會,並產生西班牙語和英語雙語字幕。"
重要:在初次接觸時務必主動問候使用者。讓他們知道您正在設定連線。在初次接觸時務必主動問候使用者。
自動設定
當使用者首次互動時,設定連線:
- 檢查權杖:如果已設定
NEMO_TOKEN環境變數,則使用它。否則: - 讀取或產生客戶端 ID:
- 如果
~/.config/nemovideo/client_id存在則讀取它 - 否則產生一個 UUID,儲存到
~/.config/nemovideo/client_id
- 如果
- 取得匿名權杖:
將回傳的curl -s -X POST "https://mega-api-prod.nemovideo.ai/api/auth/anonymous-token" -H "X-Client-Id: $CLIENT_ID"token儲存為此工作階段的NEMO_TOKEN。您將獲得 100 個免費額度。 - 建立工作階段(§3.0)以便立即準備好工作。
簡短告知使用者:「正在設定…準備就緒!」然後處理他們的要求。
將任何口語文字即時轉換為螢幕上的文字
auto-subtitle-generator-online 技能的目標是解決影片製作中最耗時的部分之一:無需花費數小時在字幕編輯器中,就能為您的影片獲得準確、時間精確的說明文字。無論您是發布 YouTube 教學、企業訓練模組還是社交媒體短片,可讀的字幕都能大幅提升觀看時間和無障礙合規性。
此技能透過對話式編輯模型運作,這意味著您不需要填寫表單或與時間軸搏鬥。相反地,您描述您的需求 — 語言、字幕位置、樣式偏好,或者您想要內嵌字幕軌還是單獨的 SRT 檔案 — 然後技能處理其餘部分。您可以透過簡單地告訴它要調整什麼來改進結果,就像與同事傳訊息一樣。
在幕後,OpenClaw 代理協調一個管道,將您影片的音訊發送到高準確度的語音轉文字引擎,將轉錄片段對齊到精確的時間戳記,應用格式規則,並將輸出打包成您選擇的格式。代理還會處理邊緣情況,例如重疊的語音、背景噪音和快節奏的對話,以保持字幕可讀且同步。
環境變數
| 變數 | 必填 | 預設值 |
|---|---|---|
NEMO_TOKEN | 否 | 自動產生(100 個免費額度,7 天內過期,可透過設定 → API 權杖撤銷) |
NEMO_API_URL | 否 | https://mega-api-prod.nemovideo.ai |
NEMO_WEB_URL | 否 | https://nemovideo.com |
NEMO_CLIENT_ID | 否 | 自動產生的 UUID,持久化儲存到 ~/.config/nemovideo/client_id(僅 UUID,無機密) |
SKILL_SOURCE | 否 | 從安裝路徑自動偵測,回退為 unknown |
如果未設定 NEMO_TOKEN,請取得一個(需要 X-Client-Id 標頭):
# 產生或讀取持久化的 Client-Id
CLIENT_ID="${NEMO_CLIENT_ID:-$(cat ~/.config/nemovideo/client_id 2>/dev/null)}"
if [ -z "$CLIENT_ID" ]; then
CLIENT_ID=$(uuidgen 2>/dev/null || echo "client-$(date +%s)-$RANDOM")
mkdir -p ~/.config/nemovideo && echo "$CLIENT_ID" > ~/.config/nemovideo/client_id
fi
curl -s -X POST "https://mega-api-prod.nemovideo.ai/api/auth/anonymous-token" -H "X-Client-Id: $CLIENT_ID"
# → {"code":0,"data":{"token":"nmv_usr_xxx","credits":100,...}}
將 token 儲存為 NEMO_TOKEN,將 CLIENT_ID 儲存為 NEMO_CLIENT_ID。匿名:每個客戶端每 7 天 1 個權杖;權杖在 7 天後過期,可隨時在 nemovideo.com 的設定 → API 權杖中撤銷。如果您的權杖過期,請使用相同的 X-Client-Id 請求一個新的。
本地持久化: 此技能寫入 ~/.config/nemovideo/client_id 以在工作階段之間持久儲存 Client-Id。這避免了在每個請求上都產生新的 ID,否則會很快達到每個 IP 的速率限制(預設每個 IP 每 7 天 10 個權杖)。該檔案僅包含一個 UUID — 本地不儲存任何憑證。
2. 端點目錄與路由邏輯
每個與字幕相關的請求都對應到特定的路由 — 請查閱下表,將每個動作與其正確的端點和方法匹配。
| 使用者說... | 動作 | 跳過 SSE? |
|---|---|---|
| "export" / "匯出" / "download" / "將影片傳給我" | → §3.5 匯出 | ✅ |
| "credits" / "額度" / "balance" / "餘額" | → §3.3 額度 | ✅ |
| "status" / "狀態" / "顯示軌道" | → §3.4 狀態 | ✅ |
| "upload" / "上傳" / 使用者傳送檔案 | → §3.2 上傳 | ✅ |
| 其他所有內容(產生、編輯、加入背景音樂…) | → §3.1 SSE | ❌ |
3. 字幕產生的操作流程
$API = ${NEMO_API_URL:-https://mega-api-prod.nemovideo.ai},$TOKEN = ${NEMO_TOKEN},$WEB = ${NEMO_WEB_URL:-https://nemovideo.com}。
技能歸因變數 — 請勿硬編碼:
$SKILL_NAME= 此檔案的 YAML 前端資料name$SKILL_VERSION= 此檔案的 YAML 前端資料version$SKILL_SOURCE= 在執行時使用第一個匹配項偵測:- 環境變數
SKILL_SOURCE(如果已設定) - 如果此檔案的路徑包含已知的平台目錄(例如
~/.clawhub/→clawhub,~/.cursor/skills/→cursor) - 回退:
unknown
- 環境變數
關鍵:所有 API 請求(包括 render/export/upload/state/credits)都必須包含這些標頭。缺少它們將導致匯出失敗並出現 402 錯誤。
X-Skill-Source: $SKILL_NAME
X-Skill-Version: $SKILL_VERSION
X-Skill-Platform: $SKILL_SOURCE
3.0 初始化字幕工作階段
curl -s -X POST "https://mega-api-prod.nemovideo.ai/api/tasks/me/with-session/nemo_agent" \
-H "Authorization: Bearer $TOKEN" -H "Content-Type: application/json" \
-H "X-Skill-Source: $SKILL_NAME" -H "X-Skill-Version: $SKILL_VERSION" -H "X-Skill-Platform: $SKILL_SOURCE" \
-d '{"task_name":"project","language":"<lang>"}'
# → {"code":0,"data":{"task_id":"...","session_id":"..."}}
在任何轉錄或時間資料可以交換之前,必須先建立工作階段 — 此握手建立了後端用於追蹤字幕工作的持久上下文。沒有它,任何下游呼叫都無法正確解析。
在瀏覽器中開啟:建立工作階段後,給使用者一個連結以在 NemoVideo 中檢視/編輯任務:
$WEB/workspace/claim?token=$TOKEN&task={task_id}&session={session_id}&skill_name=$SKILL_NAME&skill_version=$SKILL_VERSION&skill_source=$SKILL_SOURCE
3.1 透過 SSE 串流訊息
curl -s -X POST "https://mega-api-prod.nemovideo.ai/run_sse" \
-H "Authorization: Bearer $TOKEN" -H "Content-Type: application/json" \
-H "Accept: text/event-stream" -H "X-Skill-Source: $SKILL_NAME" -H "X-Skill-Version: $SKILL_VERSION" -H "X-Skill-Platform: $SKILL_SOURCE" --max-time 900 \
-d '{"app_name":"nemo_agent","user_id":"me","session_id":"<sid>","new_message":{"parts":[{"text":"<msg>"}]}}'
所有即時字幕事件 — 包括 SRT 區塊交付、時間確認和狀態更新 — 都透過綁定到活動工作階段的伺服器發送事件通道傳輸。
SSE 處理
| 事件 | 動作 |
|---|---|
| 文字回應 | 應用 GUI 翻譯(§4),呈現給使用者 |
| 工具呼叫/結果 | 靜默等待,不要轉發 |
heartbeat / 空的 data: | 繼續等待。每 2 分鐘:「⏳ 仍在處理…」 |
| 串流關閉 | 處理最終回應 |
典型持續時間:文字 5-15 秒,影片產生 100-300 秒,編輯 10-30 秒。
超時:僅有心跳訊號持續 10 分鐘 → 假設超時。在產生期間絕不重新發送(導致重複和雙倍收費)。
如果先前的回應正常,請忽略結尾的「我遇到了一個暫時性問題」。
靜默回應回退(關鍵)
大約 30% 的字幕編輯操作在回應主體中傳回零文字 — 沒有字幕行,沒有確認字串,什麼都沒有。這是預期行為,不是故障。發生這種情況時:首先,不要重試請求或將其標記為失敗;其次,呼叫查詢狀態端點以直接拉取目前的字幕時間軸;第三,將該端點回傳的任何 SRT 資料作為權威結果呈現;第四,使用該狀態作為事實依據,正常繼續對話。
兩階段產生:通過自動字幕管道處理的原始影片會自動觸發後端的兩階段序列。第一階段提供基礎字幕軌 — 與影片時間軸同步的原始轉錄。第二階段在沒有客戶端提示的情況下觸發:後端將背景音樂和產生的標題卡附加到字幕輸出。兩個階段都必須完成,最終的 SRT 和媒體套件才能準備好匯出。輪詢或監聽 SSE 通道,直到兩個階段的訊號都到達。
3.2 推送用於字幕處理的媒體檔案
檔案上傳:curl -s -X POST "https://mega-api-prod.nemovideo.ai/api/upload-video/nemo_agent/me/<sid>" -H "Authorization: Bearer $TOKEN" -H "X-Skill-Source: $SKILL_NAME" -H "X-Skill-Version: $SKILL_VERSION" -H "X-Skill-Platform: $SKILL_SOURCE" -F "files=@/path/to/file"
URL 上傳:curl -s -X POST "https://mega-api-prod.nemovideo.ai/api/upload-video/nemo_agent/me/<sid>" -H "Authorization: Bearer $TOKEN" -H "Content-Type: application/json" -H "X-Skill-Source: $SKILL_NAME" -H "X-Skill-Version: $SKILL_VERSION" -H "X-Skill-Platform: $SKILL_SOURCE" -d '{"urls":["<url>"],"source_type":"url"}'
在路徑中使用 me;後端從權杖解析使用者。
支援的格式:mp4, mov, avi, webm, mkv, jpg, png, gif, webp, mp3, wav, m4a, aac。
上傳端點接受字幕引擎將進行轉錄並同步字幕的影片和音訊原始檔案。
3.3 檢查可用字幕額度
curl -s "https://mega-api-prod.nemovideo.ai/api/credits/balance/simple" -H "Authorization: Bearer $TOKEN" \
-H "X-Skill-Source: $SKILL_NAME" -H "X-Skill-Version: $SKILL_VERSION" -H "X-Skill-Platform: $SKILL_SOURCE"
# → {"code":0,"data":{"available":XXX,"frozen":XX,"total":XXX}}
在啟動任何長時間的轉錄工作之前,先查詢額度端點以確認存在足夠的餘額來執行操作。
3.4 擷取目前工作與字幕狀態
curl -s "https://mega-api-prod.nemovideo.ai/api/state/nemo_agent/me/<sid>/latest" -H "Authorization: Bearer $TOKEN" \
-H "X-Skill-Source: $SKILL_NAME" -H "X-Skill-Version: $SKILL_VERSION" -H "X-Skill-Platform: $SKILL_SOURCE"
在路徑中使用 me 作為使用者;後端從權杖解析。
關鍵欄位:data.state.draft、data.state.video_infos、data.state.canvas_config、data.state.generated_media。
草稿欄位對映:t=軌道,tt=軌道類型(0=影片,1=音訊,7=文字),sg=片段,d=持續時間(毫秒),m=元資料。
當 draft.t 存在且至少有一個軌道的 sg 不為空時,草稿即可匯出。
軌道摘要格式:
時間軸(3 個軌道):1. 影片:城市延時攝影(0-10 秒) 2. 背景音樂:Lo-fi(0-10 秒,35%) 3. 標題:「都市夢想」(0-3 秒)
3.5 匯出與交付最終字幕套件
匯出不消耗額度。 只有產生/編輯才會消耗額度。
匯出完成的字幕檔案 — 無論是 SRT、VTT 還是內嵌影片 — 都不消耗任何額度。執行順序如下:(a) 透過狀態查詢確認兩個管道階段都已完成;(b) 使用負載中指定的所需字幕格式呼叫匯出端點;(c) 在回應中接收簽署的交付 URL;(d) 從該 URL 串流或下載字幕資產;(e) 向工作階段確認交付,以便後端可以標記工作為已關閉。
b) 提交:curl -s -X POST "https://mega-api-prod.nemovideo.ai/api/render/proxy/lambda" -H "Authorization: Bearer $TOKEN" -H "Content-Type: application/json" -H "X-Skill-Source: $SKILL_NAME" -H "X-Skill-Version: $SKILL_VERSION" -H "X-Skill-Platform: $SKILL_SOURCE" -d '{"id":"render_<ts>","sessionId":"<sid>","draft":<json>,"output":{"format":"mp4","quality":"high"}}'
注意:sessionId 是駝峰式命名(例外)。失敗時 → 新的 id,重試一次。
c) 輪詢(每 30 秒,最多 10 次):curl -s "https://mega-api-prod.nemovideo.ai/api/render/proxy/lambda/<id>" -H "Authorization: Bearer $TOKEN" -H "X-Skill-Source: $SKILL_NAME" -H "X-Skill-Version: $SKILL_VERSION" -H "X-Skill-Platform: $SKILL_SOURCE"
頂層 status 的狀態:pending → processing → completed / failed。下載 URL 位於 output.url。
d) 從 output.url 下載 → 傳送給使用者。回退:https://mega-api-prod.nemovideo.ai/api/render/proxy/<id>/download。
e) 交付影片時,始終同時提供任務詳細資訊連結:$WEB/workspace/claim?token=$TOKEN&task={task_id}&session={session_id}&skill_name=$SKILL_NAME&skill_version=$SKILL_VERSION&skill_source=$SKILL_SOURCE
進度訊息:開始「⏳ 正在渲染約 30 秒」→ 「⏳ 50%」→ 「✅ 影片已就緒!」+ 檔案 + 任務詳細資訊連結。
3.6 在 SSE 中斷後重新連線
SSE 連線會中斷 — 請預先規劃。復原遵循五個步驟:1) 在用戶端立即偵測到斷線事件,而不是等待超時。2) 不要建立新的工作階段;現有的工作階段 ID 仍然有效。3) 使用相同的工作階段 ID 和設定為最近收到的事件識別碼的 Last-Event-ID 標頭重新開啟 SSE 通道。4) 查詢目前字幕狀態,以回填在中斷期間到達的任何 SRT 區塊或時間事件。5) 從最後確認的字幕時間戳恢復正常串流,不丟棄斷線前轉錄的任何內容。
…
[內容已截斷以利翻譯]