---
name: kb-whisper
description: 本地语音识别 - 使用 Whisper.cpp 将音视频转文字
---

# 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。

## 什么时候使用

- kb-workflow 步骤 4：视频无官方字幕时进行语音识别
- 需要将音视频转为文字

## 环境变量

| 变量名 | 必需 | 说明 |
|--------|------|------|
| `WHISPER_CPP_PATH` | 是 | whisper.cpp 安装路径 |

## 命令

```bash
# 基本用法
python3 whisper.py --input video.mp4

# 指定模型（推荐 base）
python3 whisper.py --input video.mp4 --model base

# 指定输出目录
python3 whisper.py --input video.mp4 --output ./output

# 后台异步执行
python3 whisper.py --input video.mp4 --background
```

## 参数说明

| 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

| 模型 | 速度 | 精度 | 推荐场景 |
|------|------|------|---------|
| `tiny` | 最快 | 较低 | 快速预览 |
| `base` | 快 | 良好 | **推荐** |
| `small` | 中等 | 高 | 精确识别 |
| `medium` | 慢 | 很高 | 专业场景 |
| `large` | 最慢 | 最高 | 最高精度 |

## 输出格式 Schema

### 必需字段

| 字段 | 类型 | 说明 |
|------|------|------|
| `success` | boolean | 是否识别成功 |
| `input_file` | string | 输入文件路径 |
| `model` | string | 使用的模型 |

### 可选字段

| 字段 | 类型 | 说明 |
|------|------|------|
| `output_files` | object | 输出文件路径 |
| `duration_seconds` | number | 音频时长 |
| `segments` | array | 识别分段 |
| `error` | string | 错误信息 |

## 成功示例

```json
{
  "success": true,
  "input_file": "content/downloads/bilibili_BV1xx411c7mD.mp4",
  "model": "base",
  "output_files": {
    "json": "content/bilibili_BV1xx411c7mD.json",
    "txt": "content/bilibili_BV1xx411c7mD.txt",
    "srt": "content/bilibili_BV1xx411c7mD.srt"
  },
  "duration_seconds": 630.5,
  "segments": [
    {
      "id": 0,
      "start": 0.0,
      "end": 3.2,
      "text": "这是第一段字幕"
    },
    {
      "id": 1,
      "start": 3.2,
      "end": 6.5,
      "text": "这是第二段字幕"
    }
  ]
}
```

## 错误示例

### 模型未下载

```json
{
  "success": false,
  "error": "模型文件不存在",
  "model": "base",
  "suggestion": "请运行: cd ~/whisper.cpp && ./models/download-ggml-model.sh base"
}
```

### 文件不存在

```json
{
  "success": false,
  "error": "输入文件不存在",
  "input_file": "content/downloads/missing.mp4"
}
```

### 内存不足

```json
{
  "success": false,
  "error": "内存不足，无法加载模型",
  "suggestion": "尝试使用更小的模型（tiny/base）"
}
```

## 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
./models/download-ggml-model.sh base

# 4. 设置环境变量
echo 'export WHISPER_CPP_PATH="$HOME/whisper.cpp"' >> ~/.kb_env
source ~/.kb_env

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

## 在 kb-workflow 中的使用

```bash
# 步骤 4：语音识别（当 has_subtitle=false 时）
python3 ~/.openclaw/skills/kb-whisper/whisper.py \
    --input "content/downloads/bilibili_BV1xx411c7mD.mp4" \
    --model base \
    --output "content/"

# 输出：
# - bilibili_BV1xx411c7mD.json (完整结果)
# - bilibili_BV1xx411c7mD.txt (纯文本)
# - bilibili_BV1xx411c7mD.srt (字幕文件)

# 完成后进入步骤 5（深度分析）
```

## 注意事项

- **耗时操作**：语音识别可能需要几分钟到几十分钟，取决于视频长度
- **异步执行**：推荐使用 `--background` 参数
- **模型选择**：base 模型平衡速度和精度，适合大多数场景
- **文件格式**：支持 MP3、MP4、WAV、FLAC、OGG、M4A 等常见格式