yzsp-studio/mediakit-shared-suite / mediakit-video
mediakit-video
Verified面向视频文件的智能处理、媒资理解、画质治理与画质检测、抽帧、隐私保护、字幕与水印处理、精彩片段与高光拆条分析生成、剧情结构化与剧本整理、场景与语义分段、画面文字识别、视频转码转封装及人像或绿幕抠像等目标。若对象和目标族已明确属于视频增强、视频分析理解、视频内容结构化、视频字幕识别或擦除、视频隐私脱敏、视频媒资探测或分发适配,但具体能力不确定,可先加载本 Skill 探索;若只说有视频而未说明业务目标,应先澄清。明确要裁剪、拼接、叠加字幕、混音、合流、调速、转场、画面旋转翻转、视频滤镜或多视频拼画面的成片编辑诉求应路由到 editing;单张图片处理应路由到 image;音频转码、人声分离或语音端点检测应路由到 audio。
reference/asr-subtitles.md
View on GitHub# 语音转字幕(ASR)
## 能力用途
从视频或音频的语音中识别并提取带时间戳的字幕文本;适用于提取视频字幕、语音转字幕、听写对白等诉求。识别对象是音轨中的语音内容,不是画面上已烧录的硬字幕。
## 参数填写规则
- 可选参数仅在用户明确指定,或可从用户意图准确确定时填写;不得伪造。不能准确确定时省略,确为正确完成任务所必需时先向用户澄清。
## Cloud
### 命令与生命周期
- 命令:`mediakit-cli video asr-subtitles`
- 生命周期:异步
- 返回方式:返回 `task_id`,再查询终态结果。
### 使用指南
- 布尔参数(`--enable-confidence`、`--enable-speaker-info`)只能写成 `--enable-confidence=true` 或 `--enable-confidence=false`,也可用裸 `--enable-confidence`(等价 true);禁止空格传值 `--enable-confidence true`,否则该值会被当作位置参数。
- 布尔参数取默认值时直接省略,不要显式重复默认值。
### 调用示例
```bash
mediakit-cli video asr-subtitles
```
仅使用用户真实输入替换占位符;可选 flag 遵守参数填写规则,不得编造 URL、文件、枚举或业务参数。
### 参数
| 参数路径 | CLI flag | 类型 | 必填 | 默认值 | 枚举/范围/结构 | 说明 |
| --- | --- | --- | --- | --- | --- | --- |
| `audio_url` | `--audio-url` | string | 否 | - | - | audio_url 是待处理的音频 URL;支持 mp3、m4a、wav 等主流音频格式;音频文件时长必须不超过 3 小时;支持公网 HTTP/HTTPS URL、本地文件路径、火山引擎视频点播 vod:// 和火山引擎对象存储 tos:// 四种输入协议。 |
| `callback_args` | `--callback-args` | string | 否 | - | - | 自定义回调参数。任务完成时,您提供的内容会通过事件回调原样返回,便于关联业务;字段长度最大为 512 字节。 仅在用户明确提供该值时传递;不得由 Agent 生成、推断或补写。 |
| `callback_url` | `--callback-url` | string | 否 | - | - | 用于接收该任务结果回调的 URL 地址。提供此参数时,其优先级高于全局回调地址;地址必须以 http:// 或 https:// 开头。 仅在用户明确提供该值时传递;不得由 Agent 生成、推断或补写。 |
| `client_token` | `--client-token` | string | 否 | - | - | 用户请求凭证,用于幂等控制。大小写敏感,不超过 64 个 ASCII 码可打印字符。 仅在用户明确提供该值时传递;不得由 Agent 生成、推断或补写。 |
| `content_type` | `--content-type` | string | 否 | - | 枚举: ["speech","singing"] | content_type 指定识别内容类型;支持 speech 表示普通说话,singing 表示唱歌;content_type 留空时由算法自动探测识别内容类型。 |
| `enable_confidence` | `--enable-confidence` | boolean | 否 | false | - | enable_confidence 控制是否返回每个字幕片段的置信度,默认为 false;开启 enable_confidence 后,结果中包含 confidence 字段。 |
| `enable_speaker_info` | `--enable-speaker-info` | boolean | 否 | false | - | enable_speaker_info 控制是否开启说话人识别,默认为 false;开启 enable_speaker_info 后,结果中包含 speaker 字段。 |
| `language` | `--language` | string | 否 | - | 枚举: ["cmn-Hans-CN","eng-US"] | language 指定识别语种;支持 cmn-Hans-CN 表示简体中文,eng-US 表示英语;language 留空时由算法自动探测语种。 |
| `queue_id` | `--queue-id` | string | 否 | - | - | 任务提交的目标队列 ID。如不传,默认使用系统自动创建的队列 ID。可将不同业务或优先级的任务提交到不同队列,以实现按队列对应的项目分账。队列可创建和管理,系统会自动为队列分配队列 ID。 仅在用户明确提供该值时传递;不得由 Agent 生成、推断或补写。 |
| `video_url` | `--video-url` | string | 否 | - | - | video_url 是待处理的视频 URL;支持 mp4、flv、ts、avi、mov、wmv、mkv 等主流视频格式;视频文件时长必须不超过 3 小时;支持公网 HTTP/HTTPS URL、本地文件路径、火山引擎视频点播 vod:// 和火山引擎对象存储 tos:// 四种输入协议;video_url 和 audio_url 同时存在时优先使用 video_url。 |
### 返回结果
| 字段路径 | 类型 | 必含 | 模式 | 说明 |
| --- | --- | --- | --- | --- |
| `request_id` | string | 否 | Cloud | 请求标识;仅在后端返回时出现。 |
| `task_id` | string | 是 | Cloud | 异步任务的唯一标识,用于查询任务状态并获取最终结果。 |
| `task_type` | string | 否 | Cloud | 任务类型;仅在后端实际返回非空值时出现。 |
| `result.duration` | number | 否 | Cloud 终态 | duration 是输入音频或视频的总时长,单位为秒。 |
| `result.subtitles` | array<object> | 否 | Cloud 终态 | subtitles 是字幕片段列表,每个元素包含字幕文本和时间戳。 |
| `result.subtitles[].confidence` | number | 否 | Cloud 终态 | confidence 是字幕片段的置信度得分,必须不小于 0 且不大于 1,仅在请求中的 enable_confidence 为 true 时返回。 |
| `result.subtitles[].end_time` | number | 否 | Cloud 终态 | end_time 是字幕片段的结束时间,单位为秒。 |
| `result.subtitles[].speaker` | string | 否 | Cloud 终态 | speaker 是说话人标识,仅在请求中的 enable_speaker_info 为 true 时返回。 |
| `result.subtitles[].start_time` | number | 否 | Cloud 终态 | start_time 是字幕片段的起始时间,单位为秒。 |
| `result.subtitles[].subtitle_text` | string | 否 | Cloud 终态 | subtitle_text 是识别出的字幕文本。 |
Cloud 调用成功后读取 `task_id`,再查询终态结果:
```bash
mediakit-cli shared query-task --task-id <task_id> --poll-complete
```
### 机器合同
以下命令只读取本模式的实时 help/schema,不发起业务调用:
```bash
mediakit-cli video asr-subtitles --help
mediakit-cli video asr-subtitles --schema
```
Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| reverse-engineer-anythingmorluto/reaReverse engineer native, managed, Electron/JavaScript, packaged, firmware, and browser targets with REA, and build agent environments (AgentEnv bundles) of web applications from a live instance or a capture, and of Linux desktop apps with a task from a request. Use shipped-artifact or requested runtime evidence to explain features, compare versions, decompile code, or guide a reconstruction. Skip REA for ordinary source-repository architecture analysis. | Stars: 472k | Updated | Claude CodeCodex | Verified | Install |
| diagnosing-superpowersobra/superpowersUse when a superpowers session went wrong and your human partner wants to know why — repeated work, ignored plans, stumbles, poor results, a skill that didn't fire, "it took too long", "why is it so expensive", "what is it doing" — or wants to build a bug report for the superpowers maintainers, for the current session or a past one identified by id or path, on any harness. | Stars: 322k | Updated | Claude CodeCodex | Verified | Install |
| dispatching-parallel-agentsobra/superpowersUse when facing 2+ independent tasks that can be worked on without shared state or sequential dependencies | Stars: 322k | Updated | Claude CodeCodex | Verified | Install |
| executing-plansobra/superpowersUse when executing an implementation plan in the current session as the implementer yourself — your human partner chose inline execution, or no subagent tool is available | Stars: 322k | Updated | Claude CodeCodex | Verified | Install |