OpenClaw 有价值应用（2026-04-11）：多Agent视频字幕提取与智能剪辑流——把长视频精华一键命中
输出

OpenClaw 有价值应用（2026-04-11）：多Agent视频字幕提取与智能剪辑流——把长视频精华一键命中

OpenClaw 有价值应用（2026-04-11）：多Agent视频字幕提取与智能剪辑流——把长视频精华一键命中

场景演示

你是否有过这样的经历：

  • 花2小时看完了某场行业分享视频，回头却想不起核心观点
  • 需要把B站/YouTube视频精华整理成文章或摘要，手动打字累到崩溃
  • 想让AI帮忙提取视频内容，但不知道怎么让AI"看"视频

多Agent视频字幕提取与智能剪辑流正是解决这些痛点的利器。它利用 Whisper 语音识别 + 多Agent协作，把长视频的字幕提取、关键片段识别、内容摘要三个环节串联成全自动流水线，30分钟的视频，5分钟拿到可用的结构化笔记。

核心价值： 把"人盯屏幕"的视频笔记工作，变成"AI跑流、下班前拿报告"的自动化闭环。

Step by Step

第一步：环境准备

确保本地安装了 Whisper CLI（无需API key，纯本地运行）：


pip install -U openai-whisper

同时确认 OpenClaw 已配置好转写 Skill：


openclaw skills list | grep whisper

第二步：提取视频音频

如果视频文件在本地，先用 ffmpeg 提取音频：


ffmpeg -i 视频文件.mp4 -vn -acodec pcm_s16le -ar 16000 -ac 1 音频.wav

如果是 B站/YouTube 等在线视频，用 yt-dlp 下载并提取：


yt-dlp -x --audio-format wav --audio-quality 0 -o "%(title)s.%(ext)s" "视频URL"

第三步：Whisper 转写（Agent A：转写员）

调用 Whisper 进行语音识别，输出带时间戳的文本：


whisper 音频.wav --model medium --language Chinese --output_format json --timestamp_norm

输出示例（JSON片段）：


[
  {"start": 0.0, "end": 5.2, "text": "今天我们聊聊多Agent系统的设计原则。"},
  {"start": 5.2, "end": 12.8, "text": "第一个原则是单一职责，每个Agent只做一件事。"}
]

第四步：多Agent协作——分段摘要（Agent B：分析师）

将时间戳文本交给 Agent B，让它识别高价值片段：

提示词：


你是一个视频内容分析师。以下是一段视频的字幕（含时间戳），请：
1. 识别出最核心的3-5个观点或知识点（每个观点标注起止时间）
2. 每个观点用2-3句话概括核心内容
3. 输出格式：

## 核心观点

### 观点1：[标题]
- 时间：XX:XX - XX:XX
- 摘要：...

## 关键金句
- "..."

## 适合剪辑的精彩片段（3个）
1. XX:XX - XX:XX：...

第五步：多Agent协作——文章化输出（Agent C：编辑）

将分析结果交给 Agent C 生成结构化文章：

提示词：


你是一个专业的内容编辑。以下是一段视频的核心观点分析，请将其改写成一篇结构清晰的技术文章，包含：
1. 开头引言（1段）
2. 每个核心观点展开叙述（带小标题）
3. 总结与行动建议（1段）
4. 适合社交媒体分享的短文案（100字以内）

风格：专业但不晦涩，适当加入个人感受，段落长度适中。

第六步：自动分发（Agent D：发布官）

文章完成后，调用 halo-backend-publisher 自动发布到博客，或调用 feishu_doc 存入知识库。

可复制提示词

完整版提示词（将以下内容复制给 Agent 使用）

Agent B 提示词（视频分析师）：


你是一个视频内容分析师。以下是一段视频的字幕（含时间戳），请：
1. 识别出最核心的3-5个观点或知识点（每个观点标注起止时间）
2. 每个观点用2-3句话概括核心内容
3. 标注语速较快、信息密度高的"高光片段"

输出格式：
## 核心观点
### 观点1：[标题]
- 时间：XX:XX - XX:XX
- 摘要：...

## 关键金句（3-5条）
- "..."

## 高光片段（语速快/信息密集，适合剪辑）
1. XX:XX - XX:XX：...

## 视频结构评分
- 信息密度：★×5
- 节奏把控：★×4
- 实用价值：★×5

Agent C 提示词（文章编辑）：


你是一个专业的内容编辑。以下是一段视频的核心观点分析，请将其改写成一篇结构清晰的技术博客文章，包含：
1. 开头引言（引出视频主题，1段）
2. 每个核心观点展开叙述（带小标题，2-4段）
3. 实践建议（从视频中提炼的3条可操作建议）
4. 总结（1段）
5. 适合微博/小红书的短文案（100字以内）

风格：专业但不晦涩，有温度，段落长度适中，适合快速阅读。

使用的 Skills

Skill用途
openai-whisper本地语音转文字，无需API key
video-frames视频关键帧提取，辅助判断剪辑点
halo-backend-publisher自动发布文章到博客
feishu-doc存入飞书知识库
browser-automation自动下载在线视频
summarize对长文摘要做二次提炼

价值与注意事项

核心价值

  1. 省时间：30分钟视频→5分钟结构化笔记，人力零投入
  2. 可复用：输出可直接发布博客、存入知识库、生成PPT素材
  3. 跨平台：支持本地视频、B站、YouTube、播客等各类音视频源
  4. 多Agent协作：每个环节由专业Agent负责，质量比单一AI更高

注意事项

  1. Whisper 模型选择：中文视频建议用 medium 或 large 模型，识别准确率明显高于 base
  2. 音频质量：背景音乐嘈杂的视频，转写准确率会下降，建议先降噪处理
  3. 敏感内容：涉及隐私/机密的会议视频，请勿上传到第三方API，本地 Whisper 离线运行更安全
  4. 版权合规：提取他人视频内容做摘要和分享，请注明来源，仅做个人学习使用
  5. 时间戳归一化：Whisper 输出的是原始秒数，需要归一化后才能用于剪辑时间轴
小结： 多Agent视频字幕提取流把"看视频、记笔记、写文章"从串联手工操作变成了并联AI协作，是内容创作者和知识工作者提升信息处理效率的利器。下次看到好视频，别再傻傻盯着屏幕了——让AI替你看完、替你提炼、替你发布。
评论