前言¶
做內容創作或素材整理的人經常遇到一個需求：手頭有一條抖音、B 站或 YouTube 視頻，想把裏面的語音變成可檢索、可編輯的文字。手動做法通常是下載視頻，再開一個轉寫工具，把文本另存，鏈路長、步驟碎。更麻煩的是，視頻裏除了人聲還有字幕、背景音樂，直接 ASR 出來的文本常有同音錯字。
如果這條鏈路能被 Agent 一句話觸發，輸入鏈接就出文本，價值就明顯了。下面介紹的 video-to-transcript 就是做這件事的 Skill：在 Agent 對話中接收視頻鏈接，轉寫成文字，並輸出校對版純文本和時間戳文本。
這是什麼¶
video-to-transcript 是 SkillHub 社區（community）上的 Skill，座標 @user_ea76c6e6/video-to-transcript，發佈者 user_ea76c6e6，當前版本 1.3.2，分類 content-creation。它解決的問題是：用戶在對話裏說”轉錄這個視頻”之類的話時，Agent 自動完成鏈接拉取、語音轉寫、（可選）同音字校對，返回可用文本。
按 SkillHub 頁面數據，該 Skill 評分 100000，下載 2005。頁面標籤爲 requires_api_key=false，即不配置 API key 也能運行。
核心功能¶
已從官方簡介覈對到的能力：
- 鏈接轉寫：輸入視頻鏈接即可，官方簡介列出抖音/B站/YouTube。
- 轉錄引擎：使用 faster-whisper 轉錄。
- LLM 同音字校對（可選）：配了 API key 時啓用，未配置時輸出 ASR 原文。
- 兩種輸出：校對版純文本、時間戳文本。
- 本地運行：除 LLM 校對外，轉錄在本地完成，官方強調隱私安全。
觸發詞：Skill 描述裏給出的觸發場景包括”轉錄這個視頻”“視頻轉文字”“抖音轉錄”“提取視頻文字”“字幕生成”“把視頻變成文字”。這段描述與頁面上已抓取的簡介不完全一致（頁面簡介被截斷），接入前建議在官方頁面再覈對一次。
同一句 Skill 描述還提到支持小紅書、TikTok 以及本地視頻和音頻文件，並稱轉錄與 OCR 硬字幕提取並行。這幾條在已抓取的頁面簡介裏未出現，屬於待覈實項，下面適用場景裏會再提。
安裝與啓用¶
該 Skill 爲 SkillHub 社區 Skill，安裝入口以官方頁面爲準：
https://www.skillhub.cn/skills/user_ea76c6e6/video-to-transcript
座標與分類（用於檢索或集成）：
@user_ea76c6e6/video-to-transcript
content-creation
requires_api_key=false
說明：已抓取資料未提供具體的 CLI 安裝命令和目錄路徑，這裏不編造。啓用後，Agent 對話中出現上述觸發詞即會調用該 Skill。
典型用法¶
在 Agent 對話中直接表達需求，例如：
轉錄這個視頻：https://www.bilibili.com/video/BVxxxxxx
Agent 收到觸發詞後調用該 Skill，輸出校對版純文本；需要時間軸時可要求時間戳文本。LLM 校對屬於可選步驟：未配置 API key 時，輸出的是 faster-whisper 的 ASR 原文。
適用場景與注意¶
適合：內容創作者整理短視頻素材、把視頻轉爲可檢索文本、爲後續摘要或二創準備底稿；以及想在 Agent 工作流里加一條”視頻進、文字出”前置步驟的人。
注意：
- 識別質量取決於音頻本身。人聲重疊、背景音樂強、口音重的場景，ASR 錯字會更多；這正是 LLM 同音字校對要解決的問題，但它是可選能力。
- 校對依賴 LLM API key，不配置則只有 ASR 原文。
- 轉錄在本地完成，適合對隱私敏感的場景，但本地環境需要能跑 faster-whisper 及其運行依賴。
- 小紅書、TikTok、本地文件支持，以及 OCR 硬字幕並行這幾條來自 Skill 描述而非已抓取的頁面簡介，接入前建議在官方頁面確認。
小結¶
video-to-transcript 把”給鏈接、出文字”做成 Agent 內的一步：faster-whisper 本地轉錄，可選 LLM 校對，輸出純文本和時間戳文本，本地運行。需要自己搭建轉寫流程的開發者，可以拿它當起點。
官方地址：
https://api.skillhub.cn/user_ea76c6e6/video-to-transcript
SkillHub 頁面：
https://www.skillhub.cn/skills/user_ea76c6e6/video-to-transcript
