---
name: kb-whisper
description: 本地语音识别，支持音视频转文字（基于 Whisper.cpp）
---

# KB Whisper Skill

**kb-whisper** - 本地语音识别，使用 Whisper.cpp 将音视频文件转换为文本、字幕和 JSON 格式输出。

## 什么时候使用

当用户需要：
- 将视频/音频文件转换为文字
- 生成视频字幕（SRT 格式）
- 获取带时间戳的详细识别结果

## 环境变量

在使用之前，必须检查环境变量是否已经设置。

| 变量名 | 用途 | 示例 |
|--------|------|------|
| `WHISPER_CPP_PATH` | whisper.cpp 安装路径 | `~/whisper.cpp` |

## 使用方法

```bash
# 基本用法
python whisper.py --input video.mp4

# 指定模型（默认 tiny）
python whisper.py --input video.mp4 --model base

# 指定输出目录
python whisper.py --input video.mp4 --output ./output

# 异步执行（推荐）
python whisper.py --input video.mp4 --background
```

## 命令参数

| 参数 | 说明 | 默认值 |
|------|------|--------|
| `--input` | 输入音视频文件路径 | 必需 |
| `--model` | Whisper 模型类型 | `tiny` |
| `--output` | 输出目录 | 文件所在目录 |
| `--background` | 后台异步执行 | False |

## 模型选项

- `tiny` - 最小模型，速度快，精度较低（推荐快速识别）
- `base` - 基础模型，平衡速度和精度（推荐）
- `small` - 小型模型，精度更高，速度较慢
- `medium` - 中型模型，高精度
- `large` - 大型模型，最高精度，速度慢

## 输出文件

对于输入 `video.mp4`，将生成：

- `video.json` - 详细结果（包含时间戳、分段信息）
- `video.srt` - 字幕格式文件
- `video.txt` - 纯文本内容

## 输出格式示例

### JSON 格式

```json
{
  "success": true,
  "input_file": "video.mp4",
  "model": "tiny",
  "output_files": {
    "json": "video.json",
    "srt": "video.srt",
    "txt": "video.txt"
  },
  "duration_seconds": 120.5,
  "segments": [
    {
      "id": 0,
      "start": 0.0,
      "end": 3.2,
      "text": "这是第一段字幕"
    }
  ]
}
```

## Workflow 中的使用

```bash
# 步骤4之后：如果已有音频但无字幕，可以使用 whisper
python whisper.py --input ${video_path} --model base --background
```

## 安装

```bash
# 1. 克隆 whisper.cpp
git clone https://github.com/ggerganov/whisper.cpp.git ~/whisper.cpp

# 2. 编译
cd ~/whisper.cpp
make

# 3. 下载模型（tiny）
./models/download-ggml-model.sh tiny

# 4. 下载更多模型（可选）
# ./models/download-ggml-model.sh base
# ./models/download-ggml-model.sh small

# 5. 复制技能到 skills 目录
cp -r kb-whisper/ ~/skills/
```

## 注意事项

- **异步执行**: 使用 `--background` 参数时，命令会在后台运行，不阻塞主代理
- **模型选择**: tiny 模型适合快速识别，base 模型适合一般用途，large 模型适合高精度需求
- **文件格式**: 支持 MP3、MP4、WAV、FLAC、OGG、M4A 等常见格式