transcription

用途：使用 OpenAI Whisper 对音频和视频进行转写，并提供可直接用于生产的参考做法，属于视频编辑插件类技能。主要能力包括三种安装方式、多档位模型选择、多种字幕输出格式（SRT、VTT、JSON）、词级时间戳、时间轴与帧率同步、说话人分离、批量处理以及质量与性能优化。安装：pip install openai-whisper，随后以 whisper --help 验证；或 macOS 下 brew install whisper-cpp，或 pip install insanely-fast-whisper。基本用法示例：whisper audio.mp3 --model small；指定语言与格式：whisper audio.mp3 --model medium --language en --output_format srt；多种格式：--output_format all；词级时间戳：--word_timestamps True。转写视频前先用 ffmpeg 提取音频，例如 ffmpeg -i video.mp4 -ar 16000 -ac 1 -c:a pcm_s16le audio.wav。模型由 tiny 到 large-v3 在体积、显存、准确率与速度之间取舍，资料建议先用 small，最终交付用 large-v3。多说话人内容可借助 pyannote.audio 做说话人分离；长视频可分块转写后再按时间偏移合并；可用 ffmpeg 降噪或 --initial_prompt 提供上下文以提升准确率；可用 --device cuda 启用 GPU 加速。资料还给出将 Whisper JSON 转换为 FCP 时间轴以及用 ffprobe 校验音频流与帧率的脚本。限制：未提供收费、价格与平台支持范围的说明，部分内容（如 Windows 构建、分块合并细节）仅作了概述，需自行验证；具体效果与准确率未提供保证。