transcription

此技能为开发人员、内容创作者和媒体工程师提供了一个使用 OpenAI Whisper 将媒体资产转换为文本的专业级框架。通过支持多种安装方式（包括标准 Python 包、通过 whisper.cpp 的高性能 C++ 以及使用 Insanely Fast Whisper 的 GPU 加速执行），该技能可适应各种基础设施需求。此技能允许用户处理复杂的转录任务，例如使用 pyannote.audio 进行多人说话者分离、针对 Final Cut Pro 等剪辑软件的帧级精确时间同步，以及针对大型视频库的批量处理。

• 多引擎支持：在 OpenAI Whisper (Python)、whisper.cpp (C++) 和 Insanely Fast Whisper (GPU) 之间进行选择，以满足不同的性能需求。

• 高级导出格式：生成用于字幕的标准 SRT 和 WebVTT，或用于程序设计的包含词级时间戳的结构化 JSON。

• 说话者分离：集成支持 pyannote.audio，可识别并标记多人对话内容中的个别说话者。

• 工作流程优化：预处理工具包括基于 FFmpeg 的音频提取、使用高通和低通滤波器的降噪处理，以及用于帧速率一致性的 FFprobe 分析。

• 批量处理：提供自动化脚本来转录整个媒体文件目录，包含临时文件清理和输出管理。

• 生产级模式：包含关于模型选择的指导——从用于快速预览的「tiny」模型到用于最终高精度生产交付的「large-v3」模型。

• 建议输入：为了获得最佳效果，请使用 FFmpeg 将音频提取为单声道 16kHz WAV (pcm_s16le) 格式。

• 语境辅助：通过提供包含特定领域词汇或上下文描述的初始提示词，可增强准确性。

• 扩展性：使用针对 GPU 硬件的 CUDA 设备标志等环境优化设置，可显著缩短长时间内容的处理时间。

• 限制：大型模型（如 large-v3）需要较大的 VRAM（约 10GB）；请确保硬件满足所选模型大小的最低需求。

• 文件兼容性：通过 FFmpeg 集成支持所有标准视频和音频容器（MP4、MOV、AVI、MP3、WAV)。