菜单
视频/音频转文字稿。从视频文件中提取音频，用 whisperX 进行语音识别、时间戳对齐和说话人分离，输出带时间戳和说话人标签的文字稿。适用于：直播回放转写、会议录音转文字、播客转录、任何视频/音频转文稿的场景。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
| name | video-to-text |
| description | 视频/音频转文字稿。从视频文件中提取音频，用 whisperX 进行语音识别、时间戳对齐和说话人分离，输出带时间戳和说话人标签的文字稿。适用于：直播回放转写、会议录音转文字、播客转录、任何视频/音频转文稿的场景。 |
pip install whisperx）HF_TOKEN）对于简单的转写任务，直接运行脚本：
nohup python3 {skillDir}/scripts/transcribe.py /path/to/video.mp4 \
--output-dir /path/to/output \
--output-name transcript \
--diarize \
> /tmp/transcribe.log 2>&1 &
必须用 nohup 后台执行——长音频（>30 min）转写时间可达数十分钟到数小时，exec session 会超时。
ffprobe -v error -show_entries format=duration -of default=noprint_wrappers=1:nokey=1 <file>ln -sf "<原路径>" /tmp/input-video.mp4运行 scripts/transcribe.py，关键参数：
| 参数 | 默认值 | 说明 |
|---|---|---|
--model | large-v3 | Whisper 模型，large-v3 最准但最慢 |
--language | zh | 语言代码 |
--diarize | off | 启用说话人分离（需 HF_TOKEN） |
--device | cpu | cpu 或 cuda |
--batch-size | 8 | 批次大小，内存不够可降低 |
长音频转写用 cron watcher 监控：
# 创建 watcher 脚本
cat > /tmp/watch-transcribe.sh << 'EOF'
if ! kill -0 <PID> 2>/dev/null; then
echo "done $(date)" > /tmp/transcribe-status.txt
fi
EOF
或通过 OpenClaw cron 每 5 分钟检查进程状态。
脚本生成两个文件：
<name>.txt: 人类可读文稿，按说话人分段，带 [MM:SS] 时间戳<name>.json: 完整 whisperX 输出，含 word-level 时间戳转写完成后，将 .txt 文件复制到 workspace/transcripts/ 目录：
<原始文件名>.txt（如 直播回放-02月26日.txt）| 音频时长 | 模型 | 设备 | 预计耗时 |
|---|---|---|---|
| 30 min | large-v3 | CPU (M-series) | ~15 min |
| 1 hour | large-v3 | CPU (M-series) | ~30 min |
| 2 hours | large-v3 | CPU (M-series) | ~60 min |
从观点摘要和原始素材生成可发布的文章。支持多种文体（博客、知乎回答、公众号、技术文章），自动应用防 AI 写作规则。适用于：直播内容二次创作、观点输出为文章、素材整合成稿、任何"有料但还没成文"的场景。
从长文本（直播文稿、会议记录、播客转录、文章）中提炼核心观点、金句、争议点和行动项。输出结构化的观点摘要，可直接供 article-forge 等下游 skill 使用。适用于：直播回放分析、会议纪要提炼、长文精读、内容策划前的素材整理。
从长视频（直播回放、会议录像、播客）中批量生成短视频切片。基于转写文稿精确定位观点边界，自动去除静音卡顿和口吃，输出音画同步的短视频。适用于：直播切片、会议精华提取、短视频二创、播客精彩片段。
视频内容全链路处理。一个视频进去，文字稿+观点摘要+短视频切片+可发布文章全出来。串联 video-to-text → insight-extractor → video-clipper → article-forge 四个 skill 的完整流水线。适用于：直播回放、播客、会议录像的一站式内容加工。