transcription

此技能為開發人員、內容創作者和媒體工程師提供了一個使用 OpenAI Whisper 將媒體資產轉換為文字的專業級框架。透過支援多種安裝方式（包括標準 Python 套件、透過 whisper.cpp 的高效能 C++ 以及使用 Insanely Fast Whisper 的 GPU 加速執行），該技能可適應各種基礎設施需求。此技能允許使用者處理複雜的轉錄任務，例如使用 pyannote.audio 進行多人說話者分離、針對 Final Cut Pro 等剪輯軟體的幀級精確時間同步，以及針對大型視訊庫的批次處理。

• 多引擎支援：在 OpenAI Whisper (Python)、whisper.cpp (C++) 和 Insanely Fast Whisper (GPU) 之間進行選擇，以滿足不同的效能需求。

• 進階匯出格式：生成用於字幕的標準 SRT 和 WebVTT，或用於程式設計的包含詞級時間戳記的結構化 JSON。

• 說話者分離：整合支援 pyannote.audio，可識別並標記多人對話內容中的個別說話者。

• 工作流程最佳化：預處理工具包括基於 FFmpeg 的音訊提取、使用高通和低通濾波器的降噪處理，以及用於幀速率一致性的 FFprobe 分析。

• 批次處理：提供自動化腳本來轉錄整個媒體檔案目錄，包含暫存檔清理和輸出管理。

• 生產級模式：包含關於模型選擇的指導——從用於快速預覽的「tiny」模型到用於最終高精度生產交付的「large-v3」模型。

• 建議輸入：為了獲得最佳效果，請使用 FFmpeg 將音訊提取為單聲道 16kHz WAV (pcm_s16le) 格式。

• 語境輔助：透過提供包含特定領域詞彙或上下文描述的初始提示詞，可增強準確性。

• 擴展性：使用針對 GPU 硬體的 CUDA 裝置旗標等環境最佳化設定，可顯著縮短長時間內容的處理時間。

• 限制：大型模型（如 large-v3）需要較大的 VRAM（約 10GB）；請確保硬體滿足所選模型大小的最低需求。

• 檔案相容性：透過 FFmpeg 整合支援所有標準視訊和音訊容器（MP4、MOV、AVI、MP3、WAV）。