前言¶

做内容分析的开发者常遇到几类重复劳动：拿到一张截图要抠出中文文字，拿到一个 B 站视频要把口播文案转成文本，拿到一段播客音频要逐字转录，或者拿到一个本地视频要连同硬字幕一起提取。这些需求分散在 OCR、语音识别、字幕处理几套工具里，逐个拼接既费事又容易在中文上翻车。下面介绍的这个 Skill 把这些能力收进一个多模态内容提取工具里，面向中文场景做了优化，且免费、不需要 API Key。

这是什么¶

一句话定位：把图片 OCR、视频文案提取、音频转写、硬字幕识别、关键帧提取统一到一个 Skill 里的多模态内容分析工具。

出品方与来源：发布者为长沙煋旺智能科技有限公司，来源标注为 enterprise，属于企业发布的 Skill。平台侧为 SkillHub，坐标 @org-l7548nxs/all-media-content-extractor，版本 1.1.1，分类 design-media（SkillHub 页面标注）。

解决的问题：让模型在需要「提取视频文案 / 视频转文字 / 识别图片文字 / 字幕提取 / 播客音频转录 / 总结视频内容」时，直接调用同一套能力，而不是临时拼多个外部服务。标签 requires_api_key=false，即无需额外配置 API Key 即可使用。

核心功能¶

只列 SkillHub 简介中已核实的能力：

1、图片 OCR 文字识别，标注为中文高精度。
2、视频文案提取，支持 B 站链接与本地视频文件两种输入。
3、音频转文字，基于 Whisper 并做中文优化。
4、硬字幕 OCR，用于识别画面中烧录的字幕。
5、智能关键帧提取，用于从视频中挑出代表性画面。

安装与启用¶

该 Skill 遵循通用 SKILL.md 格式，安装在各编码助手的技能目录下即可被自动识别，例如 Claude Code、Cursor 使用各自的 skills 目录或插件市场，Codex CLI 从本地 skill 目录加载。

由于抓取到的官方页面为 JS 渲染，未能取到逐字安装命令，以下是通用做法，具体以官方页面为准：

# 方式一：在对应助手的 skills 目录下放入该 Skill 的 SKILL.md 目录
# 方式二：在 SkillHub 页面使用其提供的安装/添加入口

启用后无需额外配置 API Key（标签 requires_api_key=false），直接以对话方式触发即可。

典型用法¶

以下是围绕官方简介中列出的场景给出的可复现调用思路：

# 1、从 B 站视频链接提取文案
用户给出 B 站链接，Skill 抓取视频并转写口播文案

# 2、从本地视频文件提取文案或字幕
用户提供本地视频路径，Skill 做语音转写与硬字幕 OCR

# 3、图片中文文字识别
用户提供图片，Skill 返回识别出的文字

# 4、播客音频转录
用户提供音频文件，Skill 基于 Whisper 中文优化转写

# 5、智能关键帧提取 + 内容总结
用户提供视频，Skill 先抽关键帧，再总结视频内容

官方简介中特别说明：抖音视频请先保存到本地再分析，不要直接给抖音链接。

适用场景与注意¶

适合谁：需要对中文图片、中文口播视频、播客音频做批量转写或文字提取的内容团队、做素材整理的开发者、以及想用一个 Skill 替代多套外部 OCR/ASR 服务的人。

限制与坑：

1、抖音视频必须先保存到本地再分析，直接给抖音链接不可用。
2、视频文案提取覆盖 B 站链接与本地文件，其他平台的在线链接是否支持资料未明确。
3、分类以 SkillHub 页面 design-media 为准（任务线索中另有 knowledge-management 的说法，两者不一致，建议以官方页面为准）。
4、安装命令资料未提供逐字命令，使用前请在官方页面确认。

结尾¶

这个 Skill 的价值在于把「中文图片 OCR + 视频文案提取 + 音频转写 + 硬字幕 + 关键帧」整合到一处，免费且免 API Key，省去拼接多套服务的成本。需要中文多模态内容提取时可以优先考虑。

官方地址：https://api.skillhub.cn/org-l7548nxs/all-media-content-extractor
SkillHub 页面：https://www.skillhub.cn/skills/org-l7548nxs/all-media-content-extractor