القائمة
从视频文件中提取音频。当用户需要从 mp4、mkv、webm 等视频中提取音频用于后续语音识别时使用。使用 ffmpeg 处理。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
语音识别 / 音频转文字。当用户需要将音频文件（mp3、wav、m4a 等）转为文字、做会议录音转写、或者提到语音识别、ASR、音频转文本时使用此 skill。底层使用火山引擎（ByteDance）大模型语音识别 API。
从语音转写文本生成学习笔记与总结报告。当需要将 transcript.md 整理为结构化的学习文档时使用。
视频/音频学习资料整理全流程。当用户说「整理这个视频」「帮我做学习笔记」「把这个课程转成笔记」「学习资料整理」时使用。
| name | video-to-audio |
| description | 从视频文件中提取音频。当用户需要从 mp4、mkv、webm 等视频中提取音频用于后续语音识别时使用。使用 ffmpeg 处理。 |
执行前先确认 ffmpeg 可用：
ffmpeg -version
若未安装，提示用户安装：sudo apt install ffmpeg（Linux）或 brew install ffmpeg（macOS）。
如果用户未提供视频文件路径，先询问。支持本地文件和远程 URL（先下载再处理）。
询问用户是否需要 1.5 倍速播放以节约后续 API 费用。若用户选择是，在提取音频时应用 atempo=1.5 滤镜。
ls -l <video_path> | awk '{print $5}'
# 或
stat -c%s <video_path>
输出文件名从输入视频文件名自动派生：取输入视频的文件名（不含扩展名）作为音频文件名。例如 my_course.mp4 → audios/my_course.mp3。
先创建输出目录：
mkdir -p audios
基本命令（优先保证人声质量，兼顾文件大小）：
ffmpeg -i <video_path> -vn -acodec libmp3lame -q:a 2 -ac 1 -ar 22050 audios/<output.mp3>
参数说明：
-vn：去除视频流-acodec libmp3lame：MP3 编码（文件小）-q:a 2：VBR 质量 2（约 190kbps，人声清晰）-ac 1：单声道（人声不需要立体声）-ar 22050：22kHz 采样率（人声足够，比 44.1kHz 节省一半）1.5 倍速版本：
ffmpeg -i <video_path> -vn -acodec libmp3lame -q:a 2 -ac 1 -ar 22050 -filter:a "atempo=1.5" audios/<output.mp3>
提取完成后，检查输出音频文件大小。若大于 25MB：
# 先获取音频时长（秒）
DURATION=$(ffprobe -v error -show_entries format=duration -of csv=p=0 audios/<output.mp3>)
# 计算每段时长：总时长 / ceil(文件大小 / 25MB)
# 假设文件大小 60MB，则分 3 段，每段 = DURATION / 3
SEGMENTS=$(( ($(stat -c%s audios/<output.mp3>) + 26214399) / 26214400 ))
SEGMENT_DURATION=$(echo "$DURATION / $SEGMENTS" | bc -l)
# 用 ffmpeg segment 分段
ffmpeg -i audios/<output.mp3> -f segment -segment_time $SEGMENT_DURATION -c copy audios/<output_base>_%03d.mp3
分段后输出多个文件：audios/<output_base>_000.mp3, audios/<output_base>_001.mp3, ...，后续逐个调用 speech-recognize。