Une compétence intelligente et indépendante de la plateforme qui extrait le contenu vocal des vidéos en ligne et le convertit en transcriptions markdown structurées et horodatées avec des résumés.
Installer & Télécharger
1. ClawHub CLI
Le moyen le plus rapide d'installer une compétence directement depuis le registre.
npx clawhub@latest install video-transcript-method
2. Installation manuelle
Copiez le dossier de la compétence dans l'un de ces emplacements
~/.openclaw/skills/ <project>/skills/ Priorité : Espace de travail > Local > Intégré
3. Installation du prompt
Copiez ce prompt dans OpenClaw pour l'installer automatiquement.
Aide-moi à installer video-transcript-method via Clawhub. Si Clawhub n'est pas installé, installe-le d'abord (npm i -g clawhub).
Vous préférez télécharger ?
Obtenez les fichiers bruts de la compétence dans une archive ZIP.
Qu'est-ce que Méthode d'extraction de transcription vidéo ?
La méthode d'extraction de transcription vidéo est un outil universel et indépendant de la plateforme, conçu pour extraire la parole de n'importe quelle vidéo en ligne (telle que Bilibili, YouTube, Douyin ou des podcasts) et la structurer dans un document lisible. En privilégiant les sous-titres (CC) de haute précision et en s'appuyant sur la reconnaissance vocale avancée Whisper lorsque les sous-titres ne sont pas disponibles, elle permet d'obtenir des transcriptions sémantiques très précises.
Cette compétence, une capacité essentielle au sein de l'écosystème Openclaw Skills, va au-delà de la simple conversion parole-texte. Elle gère l'ensemble du processus — de la résolution de l'URL de la vidéo et l'extraction audio jusqu'à la segmentation sémantique intelligente, le titrage des chapitres et la synthèse. Cela rend le contenu vidéo facilement consultable, archivage et simple à réviser sans avoir à visionner des heures de lecture.
Cas d'utilisation de Méthode d'extraction de transcription vidéo
- Étude de conférences et webinaires : Convertissez facilement des conférences vidéo académiques ou techniques en ligne en guides d'étude structurés avec des marqueurs de chapitre et des horodatages précis.
- Archivage et réutilisation de contenu : Extrayez des brouillons de texte de haute qualité et des citations notables de podcasts ou d'entretiens vidéo pour des articles de blog et les réseaux sociaux.
- Automatisation des comptes-rendus de réunion : Traitez des réunions virtuelles ou des webinaires enregistrés pour générer des tableaux de synthèse concis et des points d'action.
- Survol rapide de vidéo : Lisez un résumé sémantique et les points clés d'une longue vidéo pour déterminer si elle mérite d'être visionnée en intégralité.
Comment fonctionne Méthode d'extraction de transcription vidéo
- Positionnement de la source vidéo et détection des sous-titres : La compétence analyse l'URL de la vidéo, collecte les métadonnées (titre, auteur, durée) et vérifie la présence de sous-titres CC existants en utilisant yt-dlp. Si des sous-titres CC de haute qualité existent, elle les extrait directement.
- Extraction audio et transcription par Whisper : Si aucun sous-titre CC n'est trouvé, la compétence extrait la piste audio en format MP3 et exécute le modèle Whisper d'OpenAI (par défaut le modèle medium) pour transcrire la parole avec une grande précision.
- Segmentation sémantique et extraction des points clés : La transcription brute est nettoyée, segmentée logiquement par sujet (plutôt que par blocs temporels fixes), annotée avec des horodatages et résumée en points clés et citations dorées dans un format markdown propre.
Configuration de Méthode d'extraction de transcription vidéo
Assurez-vous que yt-dlp et ffmpeg sont installés sur votre système. Pour configurer cette méthode Openclaw Skills, effectuez les étapes suivantes :
1. Télécharger l'audio de la vidéo
Utilisez yt-dlp pour extraire la meilleure qualité de piste audio sous forme de fichier MP3 :
yt-dlp -f "bestaudio" --extract-audio --audio-format mp3 -o "./output/audio.%(ext)s" "<VIDEO_URL>"
2. Détecter les sous-titres (CC)
Avant de transcrire, vérifiez si la vidéo dispose déjà de sous-titres téléchargés par l'utilisateur :
yt-dlp --list-subs "<VIDEO_URL>"
3. Exécuter la reconnaissance vocale Whisper
Si les sous-titres CC ne sont pas disponibles, utilisez le script de transcription pour exécuter la reconnaissance vocale locale Whisper :
python scripts/transcribe.py --model medium --audio ./output/audio.mp3
Schéma de données et taxonomie de Méthode d'extraction de transcription vidéo
La compétence organise toutes les données de sortie dans des répertoires structurés contenant les fichiers audio bruts, les enregistrements de métadonnées et les transcriptions formatées.
Sorties de fichiers
| Type de fichier | Chemin/Modèle | Description |
|---|---|---|
| Piste audio | /output/audio.mp3 |
Audio extrait de la source vidéo |
| Sous-titres (CC) | /output/subtitles.srt |
Sous-titres CC originaux (si disponibles) |
| Transcription structurée | /output/transcript.md |
Transcription markdown finale avec segmentation sémantique et résumé |
Structure du modèle de sortie (TF-01)
Le fichier markdown généré suit une mise en page rigoureuse, prête à la vérification :
## Enregistrement d'extraction de transcription
### Étape 1 : Positionnement de la source vidéo
- **URL de la vidéo** : [URL]
- **Plateforme** : YouTube / Bilibili / Douyin / etc.
- **Métadonnées** : Titre, Auteur, Vues, Date de publication, Durée
### Étape 2 : Détection des sous-titres
- **Sous-titres CC disponibles** : Oui / Non
- **Route d'extraction** : Extraction directe CC / Transcription Whisper
### Étape 3 : Segmentation sémantique
| Chapitre | Plage horaire | Thème | Contenu central |
| :--- | :--- | :--- | :--- |
| Chapitre 1 | [00:00-03:15] | Intro | Résumé de l'introduction |
### Étape 4 : Résumé des points clés
| Méthode/Point | Philosophie centrale | Opération concrète |
| :--- | :--- | :--- |
| Point clé 1 | Description | Étapes détaillées |
**Citations dorées** : "Citation notable de la vidéo"
Fonctionnalités avancées de Méthode d'extraction de transcription vidéo
- Extraction hybride des sous-titres : Optimise automatiquement l'utilisation des ressources en privilégiant les sous-titres CC vérifiés par l'éditeur par rapport aux transcriptions Whisper gourmandes en calcul.
- Segmentation sémantique dynamique : Segmente le texte vidéo en fonction de la logique sémantique et des changements de sujet plutôt que par des divisions temporelles fixes.
- Fallback multi-tailles Whisper : Bascule automatiquement entre différentes tailles de modèle Whisper (de tiny à large) en fonction des ressources matérielles du système et des exigences de durée.
- Pipeline de vérification : Garantit des livrables de haute qualité en imposant une liste de contrôle en 5 étapes vérifiant l'exhaustivité, la précision des horodatages, la logique sémantique, le résumé central et la conformité au format.
SKILL.md
Chargement
Compétences Openclaw associées
GuanShi Intelligence Expert
Un agent d'intelligence IA automatisé conçu pour rechercher, filtrer, extraire et croiser des données industrielles afin de produire des rapports d'intelligence structurés et hautement fiables.
GuanShi Data Expert
Une compétence d'AI agent conçue pour le nettoyage automatisé des données, les tests statistiques, la modélisation financière et la simulation de scénarios selon la méthodologie CRISP-DM.
Méthode de requête de données Douyin (douyin-data-method)
Un cadre de requête de données standardisé pour récupérer et analyser les données Douyin concernant les vidéos, les utilisateurs, les recherches, les tendances et les diffusions en direct via l'API MaxHub.
Domaine d'Audit Financier
Une bibliothèque de référence d'analyse et d'audit des risques financiers spécialisée pour les sociétés cotées non financières de type A-share, intégrant 50 indicateurs et 5 lignes rouges de fraude.
diagram-workflow-method
Un moteur expert en diagrammation et visualisation de flux de travail pour générer des architectures système, des diagrammes de séquence, des machines à états et des modèles ER en SVG et Mermaid avec une précision au pixel près.
Connector Hub
Un point d'entrée unifié organisant 33 connecteurs de plateforme, d'authentification et d'API avec des scripts Python exécutables pour construire facilement des Openclaw Skills auditables.
Remote Browser Deploy
Déployez un navigateur distant headless avec un accès web noVNC visuel et un point de terminaison de débogage sécurisé Chrome DevTools Protocol (CDP) en un seul clic, permettant une intervention manuelle fluide.
En vedette*
