SKILL
Whisper 自托管语音转文本和音频工作流技能
Whishper 是一个开源的自托管 Web 应用程序,用于语音转文本、翻译和字幕工作流,围绕 Whisper 模型构建
原作者:user_3c6cb52e
来源:腾讯 SkillHub
许可:MIT
含内容副本 · 可下载
存档:v1 · 2026-09-27
hash 6f97bbd4
共 6 条已上架资产
Whishper 是一个开源的自托管 Web 应用程序,用于语音转文本、翻译和字幕工作流,围绕 Whisper 模型构建
使用容器化Crawlee深度抓取YouTube等复杂网站,提取无广告、已验证的字幕和内容,输出为JSON
用纯代码生成视频(mp4格式,16:9 和 9:16 比例):包含旁白解说的科普视频(带字幕),以及节拍同步的网站/应用宣传/发布视频
将“对不上口型”的字幕自动对齐到视频:基于视频音轨进行语音活动检测(VAD),或使用一份已同步的字幕作为参照,计算时间偏移量与帧率缩放,并重写字幕时间轴
将脚本生成、配音合成、素材检索、字幕与渲染整合为一条流水线的短视频自动化框架:包含 Docker 与 Colab 两种启动方式、密钥配置说明、四类内容引擎的职责划分及本地部署常见问题排查
pyvideotrans:一条命令或一个界面完成视频跨语言全流程处理——语音识别、字幕翻译、多角色AI配音、音画对齐与合成