Skill
video-transcribe
zzh-editor/video-transcribe
48
InicialPluginScore · de 0 a 100视频音频转录为 SRT 字幕的 AI 编程助手 skill。输入本地音视频,基于 Whisper(macOS MLX 加速,其他平台 faster-whisper)转写,可选调用 Srt-Enhancer 润色和翻译。
Instalação
$
npx convez-ai zzh-editor/video-transcribe1 comando no terminal: detecta o formato do repositório (marketplace ou plugin avulso) e instala via Claude Code. Requer Node 18+ e o Claude Code instalado.
Métricas
Estrelas
1Forks
0Acompanhando
0Saúde
42%Último commit
há 3 diasVersão
—Issues abertas
0Contribuidores
2README
A tradução para o português deste README ainda está na fila.
video-transcribe
视频音频转录为高精度 SRT 字幕文件。macOS Apple Silicon 通过 MLX 加速,其他平台自动切换 faster-whisper。
安装
# 使用 npx 安装(推荐)
npx skills@latest install https://github.com/zzh-editor/video-transcribe
# 或直接克隆
git clone https://github.com/zzh-editor/video-transcribe.git
cd video-transcribe
bash scripts/setup.sh
需要 Python 3.8+ 及 ffmpeg。
Pipeline
本地视频/音频文件
│
▼
① 提取音频 (ffmpeg → 16kHz WAV)
│
▼
② Whisper 转写 → raw segments 为基线的增量分段
│ macOS arm64 → mlx-whisper (Apple GPU)
│ 其他平台 → faster-whisper (CPU/CUDA)
│ 合并过短段 + 拆分长句 + 应答词保护
▼
③ refine_segments.py 级联语义断句
│ 句末标点 / 转折连词 / 话题标记 / 话语标记 / 时间状语 / OK 隔离
│ 递归切割 + 智能短句合并
▼
④ raw.srt ← 原始 SRT(时间轴无损)
│
▼
⑤ 可选 srt-enhancer 润色(去口癖/ASR纠错/混排规范)
│ 传入 --skip refine(本流程已做语义断句)
▼
⑥ 可选翻译(纯中文 / 中上原下 / 原上中下)
│
▼
⑦ 输出:最终 SRT
特性
- 双后端自动切换:macOS arm64 自动用 mlx-whisper(Apple GPU),其他平台用 faster-whisper
- 以 Whisper raw segments 为基线:保留模型原生分段质量,仅做必要微调(合并过短段 + 拆分超长段),40+ 应答词保护
- 级联语义断句:refine_segments.py 以 7 级优先级(句末标点/转折连词/话题标记/话语标记/时间状语/时间词/OK隔离)递归切割,按字符比例分配时间
- 可选润色:集成 Srt-Enhancer 去口癖、ASR 纠错、混排空格规范,自动跳过重复的语义断句
- 可选翻译:非中文内容支持纯中文 / 中上原下 / 原上中下三种翻译模式
- Whisper large-v2 模型,首次运行自动下载(约 1.6GB)至技能目录
断句策略
Phase 1 — 合并过短相邻段
├── 段时长 < 0.6s 且与前段间隙 < 300ms
├── → 合并到前段(保护词如 好/对/OK 独立保留)
└── 避免 Whisper 因微小停顿产生的碎片化分段
Phase 2 — 拆分超长段
├── 字符数 > 25 或时长 > 6s 触发拆分
├── a. 优先在逗号/连词处拆
├── b. 次选最大词间隙处拆
└── c. 字符边界兜底
Phase 3 — 清理
├── 丢弃无效时间戳 / 去重连续文本 / 修正时间重叠
后处理 — refine_segments.py 级联语义切割:以 7 级优先级从高到低检测切割点,递归分割至阈值,最后合并短碎片。
使用
# 安装依赖
bash scripts/setup.sh
# 提取音频
ffmpeg -i input.mp4 -vn -ar 16000 -ac 1 audio.wav
# 转写(中文,每行最长 25 字符,最长 6 秒)
venv/bin/python3 scripts/transcribe.py audio.wav \
--output output.srt --language zh \
--max-line-length 25 --max-line-ms 6000
# 独立运行语义优化(可选,transcribe.py 内部已调用)
venv/bin/python3 scripts/refine_segments.py raw.srt
参数说明:
| 参数 | 默认值 | 说明 |
|---|---|---|
--max-line-length | 25 | 每行最多字符数 |
--max-line-ms | 6000 | 每段最长时长(ms) |
--language | 自动检测 | 语言代码(zh/en/ja 等) |
--pause-ms | 300zh/500en | 停顿断句阈值 |
--engine | auto | 强制指定引擎(mlx/faster-whisper) |
依赖
- ffmpeg — 音频提取
- Python 3.8+
- mlx-whisper(macOS arm64)或 faster-whisper(其他平台)
- Whisper large-v2 模型(首次运行自动下载)
文件结构
video-transcribe/
├── scripts/
│ ├── transcribe.py # 转写主脚本(mlx/faster-whisper + 增量分段)
│ ├── refine_segments.py # 级联语义断句优化
│ └── setup.sh # 环境自动安装脚本
├── docs/
│ └── 游戏留学SRT翻译规则.md # 行业翻译补充指南
├── config.json # 模型配置
├── SKILL.md # Agent skill 定义
└── README.md