前言¶

做內容分析的開發者常遇到幾類重複勞動：拿到一張截圖要摳出中文文字，拿到一個 B 站視頻要把口播文案轉成文本，拿到一段播客音頻要逐字轉錄，或者拿到一個本地視頻要連同硬字幕一起提取。這些需求分散在 OCR、語音識別、字幕處理幾套工具裏，逐個拼接既費事又容易在中文上翻車。下面介紹的這個 Skill 把這些能力收進一個多模態內容提取工具裏，面向中文場景做了優化，且免費、不需要 API Key。

這是什麼¶

一句話定位：把圖片 OCR、視頻文案提取、音頻轉寫、硬字幕識別、關鍵幀提取統一到一個 Skill 裏的多模態內容分析工具。

出品方與來源：發佈者爲長沙煋旺智能科技有限公司，來源標註爲 enterprise，屬於企業發佈的 Skill。平臺側爲 SkillHub，座標 @org-l7548nxs/all-media-content-extractor，版本 1.1.1，分類 design-media（SkillHub 頁面標註）。

解決的問題：讓模型在需要「提取視頻文案 / 視頻轉文字 / 識別圖片文字 / 字幕提取 / 播客音頻轉錄 / 總結視頻內容」時，直接調用同一套能力，而不是臨時拼多個外部服務。標籤 requires_api_key=false，即無需額外配置 API Key 即可使用。

核心功能¶

只列 SkillHub 簡介中已覈實的能力：

1、圖片 OCR 文字識別，標註爲中文高精度。
2、視頻文案提取，支持 B 站鏈接與本地視頻文件兩種輸入。
3、音頻轉文字，基於 Whisper 並做中文優化。
4、硬字幕 OCR，用於識別畫面中燒錄的字幕。
5、智能關鍵幀提取，用於從視頻中挑出代表性畫面。

安裝與啓用¶

該 Skill 遵循通用 SKILL.md 格式，安裝在各編碼助手的技能目錄下即可被自動識別，例如 Claude Code、Cursor 使用各自的 skills 目錄或插件市場，Codex CLI 從本地 skill 目錄加載。

由於抓取到的官方頁面爲 JS 渲染，未能取到逐字安裝命令，以下是通用做法，具體以官方頁面爲準：

# 方式一：在對應助手的 skills 目錄下放入該 Skill 的 SKILL.md 目錄
# 方式二：在 SkillHub 頁面使用其提供的安裝/添加入口

啓用後無需額外配置 API Key（標籤 requires_api_key=false），直接以對話方式觸發即可。

典型用法¶

以下是圍繞官方簡介中列出的場景給出的可復現調用思路：

# 1、從 B 站視頻鏈接提取文案
用戶給出 B 站鏈接，Skill 抓取視頻並轉寫口播文案

# 2、從本地視頻文件提取文案或字幕
用戶提供本地視頻路徑，Skill 做語音轉寫與硬字幕 OCR

# 3、圖片中文文字識別
用戶提供圖片，Skill 返回識別出的文字

# 4、播客音頻轉錄
用戶提供音頻文件，Skill 基於 Whisper 中文優化轉寫

# 5、智能關鍵幀提取 + 內容總結
用戶提供視頻，Skill 先抽關鍵幀，再總結視頻內容

官方簡介中特別說明：抖音視頻請先保存到本地再分析，不要直接給抖音鏈接。

適用場景與注意¶

適合誰：需要對中文圖片、中文口播視頻、播客音頻做批量轉寫或文字提取的內容團隊、做素材整理的開發者、以及想用一個 Skill 替代多套外部 OCR/ASR 服務的人。

限制與坑：

1、抖音視頻必須先保存到本地再分析，直接給抖音鏈接不可用。
2、視頻文案提取覆蓋 B 站鏈接與本地文件，其他平臺的在線鏈接是否支持資料未明確。
3、分類以 SkillHub 頁面 design-media 爲準（任務線索中另有 knowledge-management 的說法，兩者不一致，建議以官方頁面爲準）。
4、安裝命令資料未提供逐字命令，使用前請在官方頁面確認。

結尾¶

這個 Skill 的價值在於把「中文圖片 OCR + 視頻文案提取 + 音頻轉寫 + 硬字幕 + 關鍵幀」整合到一處，免費且免 API Key，省去拼接多套服務的成本。需要中文多模態內容提取時可以優先考慮。

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