前言¶
做内容创作或素材整理的人经常遇到一个需求：手头有一条抖音、B 站或 YouTube 视频，想把里面的语音变成可检索、可编辑的文字。手动做法通常是下载视频，再开一个转写工具，把文本另存，链路长、步骤碎。更麻烦的是，视频里除了人声还有字幕、背景音乐，直接 ASR 出来的文本常有同音错字。
如果这条链路能被 Agent 一句话触发，输入链接就出文本，价值就明显了。下面介绍的 video-to-transcript 就是做这件事的 Skill：在 Agent 对话中接收视频链接，转写成文字，并输出校对版纯文本和时间戳文本。
这是什么¶
video-to-transcript 是 SkillHub 社区（community）上的 Skill，坐标 @user_ea76c6e6/video-to-transcript，发布者 user_ea76c6e6，当前版本 1.3.2，分类 content-creation。它解决的问题是：用户在对话里说”转录这个视频”之类的话时，Agent 自动完成链接拉取、语音转写、（可选）同音字校对，返回可用文本。
按 SkillHub 页面数据，该 Skill 评分 100000，下载 2005。页面标签为 requires_api_key=false，即不配置 API key 也能运行。
核心功能¶
已从官方简介核对到的能力：
- 链接转写：输入视频链接即可，官方简介列出抖音/B站/YouTube。
- 转录引擎：使用 faster-whisper 转录。
- LLM 同音字校对（可选）：配了 API key 时启用，未配置时输出 ASR 原文。
- 两种输出：校对版纯文本、时间戳文本。
- 本地运行：除 LLM 校对外，转录在本地完成，官方强调隐私安全。
触发词：Skill 描述里给出的触发场景包括”转录这个视频”“视频转文字”“抖音转录”“提取视频文字”“字幕生成”“把视频变成文字”。这段描述与页面上已抓取的简介不完全一致（页面简介被截断），接入前建议在官方页面再核对一次。
同一句 Skill 描述还提到支持小红书、TikTok 以及本地视频和音频文件，并称转录与 OCR 硬字幕提取并行。这几条在已抓取的页面简介里未出现，属于待核实项，下面适用场景里会再提。
安装与启用¶
该 Skill 为 SkillHub 社区 Skill，安装入口以官方页面为准：
https://www.skillhub.cn/skills/user_ea76c6e6/video-to-transcript
坐标与分类（用于检索或集成）：
@user_ea76c6e6/video-to-transcript
content-creation
requires_api_key=false
说明：已抓取资料未提供具体的 CLI 安装命令和目录路径，这里不编造。启用后，Agent 对话中出现上述触发词即会调用该 Skill。
典型用法¶
在 Agent 对话中直接表达需求，例如：
转录这个视频：https://www.bilibili.com/video/BVxxxxxx
Agent 收到触发词后调用该 Skill，输出校对版纯文本；需要时间轴时可要求时间戳文本。LLM 校对属于可选步骤：未配置 API key 时，输出的是 faster-whisper 的 ASR 原文。
适用场景与注意¶
适合：内容创作者整理短视频素材、把视频转为可检索文本、为后续摘要或二创准备底稿；以及想在 Agent 工作流里加一条”视频进、文字出”前置步骤的人。
注意：
- 识别质量取决于音频本身。人声重叠、背景音乐强、口音重的场景，ASR 错字会更多；这正是 LLM 同音字校对要解决的问题，但它是可选能力。
- 校对依赖 LLM API key，不配置则只有 ASR 原文。
- 转录在本地完成，适合对隐私敏感的场景，但本地环境需要能跑 faster-whisper 及其运行依赖。
- 小红书、TikTok、本地文件支持，以及 OCR 硬字幕并行这几条来自 Skill 描述而非已抓取的页面简介，接入前建议在官方页面确认。
小结¶
video-to-transcript 把”给链接、出文字”做成 Agent 内的一步：faster-whisper 本地转录，可选 LLM 校对，输出纯文本和时间戳文本，本地运行。需要自己搭建转写流程的开发者，可以拿它当起点。
官方地址：
https://api.skillhub.cn/user_ea76c6e6/video-to-transcript
SkillHub 页面：
https://www.skillhub.cn/skills/user_ea76c6e6/video-to-transcript
