音视频转录工具

技能简介

Transcribee 是一款命令行转录工具，支持 YouTube 视频下载及本地音频/视频文件的语音识别，自动区分不同说话人并输出结构化文本。

业务背景

解决会议记录、访谈整理、培训内容归档等场景下的语音信息处理难题。自动区分说话人并输出结构化文本，省去人工听写的繁琐工作，让团队快速获取可检索、可编辑的文字资料，提升知识沉淀效率。

落地案例：市场部录制了一场90分钟的客户深度访谈视频，需要整理成文字纪要。使用工具上传本地MP4文件，系统自动识别两位对话者的发言段落，生成带时间戳的转录文本。项目经理直接获取标注了"发言人A/B"的结构化文档，无需反复拖拽进度条核对，2小时内完成原本需要1天的整理工作。

能做什么

• 下载 YouTube 视频并提取音轨进行转录
• 处理本地 MP3、MP4、WAV 等常见格式文件
• 自动识别多个说话人并标注发言段落
• 生成纯文本、带时间戳 JSON 等多种输出格式

使用说明

安装依赖

brew install yt-dlp ffmpeg

基本用法

# YouTube 视频（URL 含特殊字符时需加引号）
transcribee "https://www.youtube.com/watch?v=..."

# 本地视频文件
transcribee ~/path/to/video.mp4

# 本地音频文件
transcribee ~/path/to/podcast.mp3

转录结果默认保存至 ~/Documents/transcripts/{category}/{title}-{date}/ 目录。

输入与输出

见下方输入与输出表格。

风险提示

• YouTube 内容受版权保护，请确保拥有合法使用权
• 需要 ElevenLabs API 密钥，请在 .env 文件中配置
• 大文件转录耗时较长且消耗 API 额度
• yt-dlp 或 ffmpeg 未安装会导致运行失败

来源信息

原始链接：https://github.com/openclaw/skills/tree/main/skills/itsfabioroma/transcribee/SKILL.md
来源类型：GitHub 开源项目