According to AlphaMoat, as of 2026-09, Audio Video To Text has 2,156 downloads and 1 stars — ranked #4,319 of 5,078 AI skills overall, and #435 of 512 in Design & Media.

Installs

128

Downloads

2.2K

Stars

Overall Rank

#4,319

Top 86% overall · Top 85% in Design & Media

Platform	Installs	Downloads	Stars	Comments
ClawHub ↗	57	2.0K	1	-
SkillHub ↗	128	2.2K	1	—

Platforms count differently and update at different times.

What this skill does

The skill converts media files to text with automatic language detection and can produce plain text, SRT/VTT subtitles, or JSON for meetings, interviews, podcasts, and videos. Recordings and transcripts may contain confidential or personal information; process only authorized media and protect transcripts, subtitles, JSON, and temporary audio files according to data-handling requirements. Install dependencies in an isolated environment and avoid temporary-path collisions. Requires Whisper dependencies and a system installation of ffmpeg.

Profile published 2026-10-29

What you can do with it

Transcribe meetings or voice memos
Create timestamped subtitles for videos
Organize interview or podcast content

When to use it

The user explicitly requests transcription or subtitles
Processing the media is authorized
Output and temporary audio files can be protected

Example prompts

Generated from the skill’s documentation as examples; not results of actual runs.

Transcribe the interview audio file I specify into timestamped subtitles. State the input and output paths first, do not process other files, and protect the transcript.

Monthly Trend

Downloads2.2K

Stars1

The counting method changed in 2026-09: skills with the same name are now counted separately by author, and the full catalog is covered. Dashed lines show months before the change; they are not compared with later months, and no growth is computed across the change.

Month	Downloads	MoM	Stars
2026-09	2.2K	—	1
2026-08	1.9K	+8.4%	1
2026-07	1.8K	+13.7%	1
2026-06	1.6K	+9.8%	1
2026-05	1.4K	—	1
2026-03	925	—	-

SKILL.md (original)

The author’s original file, shown as plain text without edits or review by AlphaMoat. Links are not clickable; check commands before running them. Fetched 2026-10-23.

3.6 KB · ClawHub v1.0.0

---
name: audio-video-to-text
description: 音视频转文字技能，使用 Whisper 进行语音识别。支持多种音视频格式，可输出纯文本、SRT/VTT 字幕或 JSON 格式。适用于会议记录、视频字幕生成、采访整理、播客转录等场景。
---

# 音视频转文字

## 概述

本技能使用 OpenAI Whisper 模型将音频/视频文件转换为文字。支持自动语言检测和多种输出格式。

Show all (153 lines)


## 何时使用

- 会议录音转文字记录
- 视频内容生成字幕（SRT/VTT）
- 采访/播客内容整理
- 语音备忘录转文本
- 多语言视频翻译准备

## 快速开始

### 1. 安装依赖

```bash
pip install openai-whisper ffmpeg-python
```

确保系统已安装 ffmpeg：
```bash
# Ubuntu/Debian
sudo apt-get install ffmpeg

# macOS
brew install ffmpeg

# Windows
# 从 https://ffmpeg.org/download.html 下载
```

### 2. 基本用法

```bash
python scripts/transcribe.py <输入文件> [输出文件] [选项]
```

### 3. 示例

```bash
# 转录 MP4 视频，输出文本
python scripts/transcribe.py meeting.mp4

# 转录音频，输出 SRT 字幕
python scripts/transcribe.py podcast.mp3 podcast.srt --output-format srt

# 指定中文和较小模型（更快）
python scripts/transcribe.py interview.wav --model tiny --language zh

# 输出带时间戳的 JSON
python scripts/transcribe.py video.mp4 result.json --output-format json
```

## 命令行选项

| 选项 | 说明 | 默认值 |
|------|------|--------|
| `--model` | 模型大小：tiny, base, small, medium, large | base |
| `--language` | 语言代码：zh, en, ja 等 | 自动检测 |
| `--output-format` | 输出格式：txt, srt, vtt, json | txt |
| `--device` | 运行设备：cpu, cuda | cpu |
| `--keep-audio` | 保留临时音频文件 | false |

## 模型选择指南

| 模型 | 大小 | 速度 | 精度 | 适用场景 |
|------|------|------|------|----------|
| tiny | 39M | 最快 | 一般 | 快速测试、短音频 |
| base | 74M | 快 | 良好 | 日常使用 |
| small | 244M | 中等 | 较好 | 正式场合 |
| medium | 769M | 慢 | 很好 | 高精度需求 |
| large | 1550M | 最慢 | 最佳 | 专业转录 |

## 输出格式说明

### TXT（纯文本）
```
这是转录的完整文本内容，适合阅读和编辑。
```

### SRT（字幕格式）
```
1
00:00:01,000 --> 00:00:04,000
这是第一句字幕。

2
00:00:04,500 --> 00:00:07,000
这是第二句字幕。
```

### VTT（Web 字幕）
```
WEBVTT

00:00:01.000 --> 00:00:04.000
这是第一句字幕。

00:00:04.500 --> 00:00:07.000
这是第二句字幕。
```

### JSON（完整数据）
包含分段、时间戳、置信度等完整信息，适合程序处理。

## 支持的文件格式

**音频：** MP3, WAV, FLAC, OGG, M4A, AAC

**视频：** MP4, AVI, MOV, MKV, WEBM, FLV

## 性能优化建议

1. **短音频优先用 tiny/base 模型** - 速度快，精度够用
2. **长内容用 CPU** - 避免 GPU 内存不足
3. **指定语言** - 可提升准确率和速度
4. **批量处理** - 脚本可循环调用处理多个文件

## 常见问题

### 转录质量不佳
- 尝试更大的模型（small/medium/large）
- 指定正确的语言代码
- 确保音频质量清晰

### 处理速度慢
- 使用更小的模型（tiny/base）
- 如有 GPU，使用 `--device cuda`
- 缩短音频长度或分段处理

### 内存不足
- 使用更小的模型
- 将长文件分割后分别处理
- 关闭其他占用内存的程序

## 脚本

- `scripts/transcribe.py` - 主转录脚本

## 参考资料

- [OpenAI Whisper 文档](https://github.com/openai/whisper)
- [ffmpeg 文档](https://ffmpeg.org/documentation.html)
- [ISO 639-1 语言代码](https://en.wikipedia.org/wiki/List_of_ISO_639-1_codes)