前言¶

把 B站视频、抖音短视频、播客或会议录音变成文字稿，常见做法是找一个在线转写网站，把链接粘贴进去，等它返回结果。代价有两个：一是视频要先传到别人的服务器，涉及隐私和授权问题；二是长视频往往要排队、要登录、要充值。

下面介绍的这个 Skill 走的是本地路线：拿到视频链接或音频文件后，在本机完成下载和语音识别，不上传、不调用付费 API。

这是什么¶

「免费视频转文字·任意链接」是一个社区来源的 Skill，坐标 @user_afd54145/any-video-to-text，当前版本 1.0.0，分类 data-analysis，发布者 user_afd54145。

它解决的问题是：把视频链接或本地录音统一转成文字稿，并让识别后端跟着机器自动选，使用者不需要自己判断该装哪套模型。

核心功能¶

1、输入覆盖两类：一是 1700+ 视频站点的链接，包括 B站、YouTube、抖音、微博、知乎、小红书、西瓜等；二是本地文件，如会议录音、播客、课程录屏。

2、识别全程在本机运行，不花钱、不上传。这是它和在线转写工具的主要区别。

3、后端自动适配机器：苹果自研芯片走 mlx-whisper，Windows / Linux / 英特尔 Mac 走 faster-whisper，检测到英伟达显卡时自动启用 GPU。

4、支持挂领域词表，用于修正专业术语的同音字错误。这类词表对医疗、法律、学术等专有名词较多的场景比较有用。

安装与启用¶

官方页面提供了两个地址：API 端点 https://api.skillhub.cn/user_afd54145/any-video-to-text，以及 SkillHub 展示页 https://www.skillhub.cn/skills/user_afd54145/any-video-to-text。

需要说明的是，本次写作中这两个页面都无法打开，抓取失败，因此文中不给安装命令。请以官方页面上的命令为准，不要照抄第三方文章里的写法。

另外，资料里该 Skill 的标签为 requires_api_key=false，即不需要 API key，启用时不需要先申请密钥。

典型用法¶

按官方简介，触发场景是用户明确表达需要文字稿，或直接发来视频链接 / 音频文件。识别意图的触发词包括：

视频转文字
转成文字稿
把这条视频转了
B站转文字
抖音转写
录音转文字
会议录音整理
播客转文字稿
长视频抓重点
这个视频太长帮我转一下

输入形式是视频链接或本地音频文件，输出是对应的文字稿。具体的调用方式、参数和输出格式在现有资料中没有给出，需要在实际启用后以页面文档为准。

适用场景与注意¶

适合这些情况：需要处理包含内部信息的会议录音，不方便上传到第三方服务；需要批量把课程录屏、播客转成可检索的文字；或者机器上有英伟达显卡，想利用本地 GPU 省掉云服务费用。

要注意这几点：

1、识别质量取决于音频清晰度和模型大小，本地小模型对口音重、背景噪声大、专业词密集的音频可能出错，领域词表只能修正同音字，不能解决识别不到的问题。

2、视频站点支持数量以官方说明为准，站点改版或加了反爬之后能否继续下载，取决于下载环节是否稳定。

3、首次运行需要下载对应后端和模型文件，取决于网络情况，过程中需要耐心等待。

4、长视频的识别时间与音频长度成正比，不是瞬时完成的。

小结¶

这个 Skill 的价值在于把「下载视频 + 选模型 + 转写 + 术语校正」这一步收敛到本地一条链路上，适合对隐私敏感、或者希望不花钱处理长音频的场景。

官方地址：https://www.skillhub.cn/skills/user_afd54145/any-video-to-text