Video STT 技能

从视频 URL 提取音频并转换为文字（语音转文字）

环境要求

• - yt-dlp - 下载视频/音频
• ffmpeg - 提取音频
• Python - 使用 uv 虚拟环境

快速开始

bash

进入脚本目录

cd ~/.openclaw/workspace/skills/video-stt/scripts

运行转录

bash stt.sh 视频URL

使用方法

bash

基本用法

bash stt.sh https://youtube.com/watch?v=xxx

指定输出文件

bash stt.sh https://youtube.com/watch?v=xxx -o output.txt

使用本地 Whisper 模型

bash stt.sh https://youtube.com/watch?v=xxx --local

使用云端 API

bash stt.sh https://youtube.com/watch?v=xxx --api openai

支持的模型

本地（免费）

• - tiny - 最快，质量一般
• base - 平衡
• small - 较好
• medium - 很好
• large - 最佳（需要更多内存）

云端 API

• - OpenAI Whisper API
• Azure Speech
• Google Speech

输出格式

默认输出纯文本，可选：

• - .txt - 纯文本
• .srt - 字幕格式
• .vtt - WebVTT 字幕
• .json - 带时间戳的 JSON

环境变量

bash

OpenAI（如果使用云端）

export OPENAIAPIKEY=sk-xxx

或者使用硅基流动（更便宜）

export SILICONFLOWAPIKEY=xxx

示例

bash

转录 YouTube 视频

bash stt.sh https://www.youtube.com/watch?v=dQw4w9WgXcQ

指定模型

bash stt.sh https://youtube.com/watch?v=xxx --model medium

保存为 SRT

bash stt.sh https://youtube.com/watch?v=xxx --format srt

Python 依赖

使用 uv 管理 Python 环境：
bash

创建虚拟环境

uv venv
uv pip install yt-dlp whisper ffmpeg-python

运行

uv run python stt.py 视频URL