video-stt

---

name: video-stt description: "Extract audio from video URLs and transcribe using STT (Speech-to-Text). Supports local Whisper or cloud APIs. Use when: user provides a video URL and wants to know what is being said, transcribing YouTube videos, podcasts, or any video with audio." metadata: { "openclaw": { "emoji": "🎬" }, "version": "1.0.0", }

---

Video STT Skill

从视频 URL 提取音频并转换为文字 (Speech-to-Text)

环境要求

yt-dlp - 下载视频/音频

ffmpeg - 提取音频

Python - 使用 uv 虚拟环境

快速开始

# 进入脚本目录
cd ~/.openclaw/workspace/skills/video-stt/scripts
运行转录
bash stt.sh "视频URL"

使用方法

# 基本用法
bash stt.sh "https://youtube.com/watch?v=xxx"
指定输出文件
bash stt.sh "https://youtube.com/watch?v=xxx" -o output.txt
使用本地 Whisper 模型
bash stt.sh "https://youtube.com/watch?v=xxx" --local
使用云端 API
bash stt.sh "https://youtube.com/watch?v=xxx" --api openai

支持的模型

本地 (免费)

tiny - 最快，质量一般

base - 平衡

small - 较好

medium - 很好

large - 最佳（需要更多内存）

云端 API

OpenAI Whisper API

Azure Speech

Google Speech

输出格式

默认输出纯文本，可选：

.txt - 纯文本

.srt - 字幕格式

.vtt - WebVTT 字幕

.json - 带时间戳的 JSON

环境变量

# OpenAI (如果使用云端)
export OPENAI_API_KEY="sk-xxx"
或者使用硅基流动 (更便宜)
export SILICONFLOW_API_KEY="xxx"

示例

# 转录 YouTube 视频
bash stt.sh "https://www.youtube.com/watch?v=dQw4w9WgXcQ"
指定模型
bash stt.sh "https://youtube.com/watch?v=xxx" --model medium
保存为 SRT
bash stt.sh "https://youtube.com/watch?v=xxx" --format srt

Python 依赖

使用 uv 管理 Python 环境：

# 创建虚拟环境
uv venv
uv pip install yt-dlp whisper ffmpeg-python
运行
uv run python stt.py "视频URL"