181 lines
4.0 KiB
Markdown
181 lines
4.0 KiB
Markdown
---
|
||
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
|