Video Captions

核心用法

Video Captions 是一款专业的视频字幕生成技能，围绕 Whisper 本地转录引擎构建，提供从语音转文字到成品字幕的完整工作流。用户上传视频后，系统自动完成语音转录、时间轴对齐、格式转换与样式渲染，支持 SRT、VTT、TTML、ASS 等主流格式。

关键特性包括：

• 多引擎转录：默认使用本地 Whisper（turbo 模型），可选 Apple Silicon 加速版（MLX Whisper）或逐词时间戳版（whisper-timestamped），云引擎（AssemblyAI、Deepgram）仅作为可选备选
• 专业时间轴标准：内置 Netflix 合规规则（最少 0.83 秒、最多 7 秒、每行 42 字符、最多 2 行、字幕间隔 ≥2 帧），同时支持社交媒体短句分割风格
• 智能分段规则：按标点、连词、介词断行，避免割裂语义单元（如冠词-名词、形容词-名词、姓名、主谓结构）
• 逐词时间戳：支持卡拉 OK 式高亮、精准同步校验、TikTok/Instagram 动态字幕
• 说话人识别：本地 diarization（pyannote）或云 API，输出 [Speaker 1] 或 [Name]: 格式
• 样式与烧录：通过 ffmpeg 强制样式（FontName、Size、Color、Outline、Shadow、Alignment），支持 TikTok 居中粗体、Netflix 底部简洁等专业预设

显著优点

1. 隐私优先设计：默认 100% 离线处理，Whisper 本地运行，字幕文件与烧录视频均不离开本机，无需网络连接
2. 多平台适配：一键输出 YouTube（VTT）、Netflix（TTML）、社交媒体（ASS 烧录）、通用播放（SRT）等格式
3. 专业级质量控制：内置 Netflix timing rules、字符限制校验、同步点检查（起/中/尾）、烧录质量测试
4. 灵活工作流：从基础转录到翻译（--task translate）、多格式批量输出、VAD 预处理降噪，覆盖完整生产链路
5. 云引擎完全可选：AssemblyAI、Deepgram 仅在用户主动配置 API Key 并显式调用时才会触发，无默认外联

潜在缺点与局限性

• 本地硬件依赖：Whisper large-v3 对 GPU/内存要求较高，低配设备转录长视频可能耗时较长
• 复杂 diarization 精度：本地说话人分离在重叠语音、快速切换场景下准确率有限，专业级需求可能仍需人工校对
• 样式烧录学习成本：ffmpeg force_style 参数语法（如 &HFFFFFF 颜色编码）对非技术用户不够直观
• 语言检测偶发偏差：多语言混合内容可能出现误识别，需显式指定 --language
• 长视频时间漂移：极端时长内容建议启用逐词时间戳并人工抽检同步

适合人群

• 内容创作者（YouTube、TikTok、Instagram）需快速生成可上传或烧录字幕
• 影视后期、流媒体制作人员需 Netflix/专业级合规字幕
• 播客与访谈制作团队需说话人标注与 SDH（听障辅助）格式
• 隐私敏感用户（企业培训、内部会议）需完全离线转录方案
• 翻译与本地化工作者需原语转录+英译或外接翻译流程

常规风险

| 风险场景 | 缓解措施 |

|---------|---------|

| 静默幻觉（无声段出现虚假字幕） | 启用 VAD 预处理或修剪静音段落 |

| 语言识别错误 | 显式指定 `--language` 参数 |

| 长视频时间漂移 | 使用逐词时间戳 + 人工抽检关键同步点 |

| 字符超限导致平台拒收 | 设置 `--max_line_width 42` 并启用自动换行规则 |

| 烧录画质损失 | 指定高码率输出（`-b:v 8M`） |

| 云 API 误触发 | 不设置 `ASSEMBLYAI_API_KEY`/`DEEPGRAM_API_KEY` 即保持完全离线 |

核心用法

Video Captions 是一款隐私优先的视频字幕生成 Skill，专为内容创作者、影视后期及多平台分发场景设计。其核心功能覆盖：多引擎转录（Whisper本地/MLX加速/云端可选）、词级时间戳、多格式输出（SRT/VTT/TTML/ASS）、样式预设与烧录嵌入。

典型工作流：
1. 基础转录：whisper video.mp4 --model turbo --output_format srt —— 自动语言检测，秒级生成
2. 社交媒体烧录：通过 FFmpeg 应用 ASS 样式（字体/描边/阴影/位置），直接嵌入视频
3. 专业合规：启用 Netflix 标准（42字符/行、7秒最大时长、2帧间隔），输出 TTML
4. 多说话人识别：本地 pyannote 声纹分离，自动标注 [Speaker 1] 或自定义人名

显著优点：

• 隐私安全：默认 100% 本地处理，音频数据永不外泄；AssemblyAI/Deepgram 云 API 仅当用户显式配置密钥后可选启用
• 零依赖风险：纯 Markdown 文档 Skill，无代码执行，无第三方依赖声明
• 平台全覆盖：从 YouTube 的 VTT 到 TikTok 的动态烧录字幕，一键适配
• 专业级精度：支持 whisper-timestamped 的 DTW 词级对齐，消除长视频时间漂移

潜在局限：

• 依赖用户本地预装 ffmpeg 与 whisper，环境配置门槛存在
• T3 来源（个人开发者），长期维护稳定性需观察
• 云 API 虽可选，但首次配置缺乏二次确认弹窗（建议改进）
• 未声明开源许可证，商用场景需自行确认合规

适合人群：独立视频创作者、播客制作人、小型影视工作室、对隐私敏感的企业内训团队，以及需要批量生成多语言字幕的内容出海运营者。

常规风险：

• Whisper 长视频可能出现幻觉（hallucination），建议配合 VAD 预处理或分段处理
• 烧录字幕时若 FFmpeg 参数不当，可能导致画质损失，需控制输出码率（建议 -b:v 8M）
• 多语言混合内容需显式指定 --language，避免自动检测偏差