文章介绍了一套完全开源免费的本地工作流，替代收费视频解析网站。核心工具为 yt-dlp + FFmpeg 下载全网主流平台 4K 高清视频，再用 faster-whisper large-v3 模型在本地显卡上约 30 秒即可提取视频台词，生成带时间轴的 SRT 字幕与 TXT 文本，并可导出双语字幕。作者强调无需写代码，只需将准备好的提示词发给 Claude Code 或 Codex 等 AI Agent，即可自动完成安装与运行。该流程适用于视频二创、解说拆解、文案分析和知识库构建，兼具隐私保护和零成本优势。
Cactus Compute 发布了 16.9 MB 的本地语音识别模型 Whistle，纯 CPU 运行、无依赖，与同公司的 Needle 模型共享引擎。作者实测发现：七种欧洲语言（英德法西意荷波）识别准确度高，首 token 仅 5-8 毫秒，解码速度约 1300 token/秒，官方性能数据基本可信。但关键缺陷在于：遇到不支持的语言（如中文、日文）时，模型不会报错也不会返回空，而是硬套进已知语种生成'假词'，造成静默污染。文章指出该模型设计目标是端上语音自动化入口而非单纯转写，并提醒中文用户慎用。
作者发布了一个免费、离线的本地语音转文字工具 whisper-tools，基于本地 Whisper 模型，通过网页拖拽音频即可转录，1小时录音约3分半出稿，全程不联网、不上传服务器、不收费。工具提供一键安装脚本，自动处理 ffmpeg 依赖和 GPU 加速，支持批量文件夹递归转录。针对中文场景做了优化：全角标点转换、删除汉字间空格、繁转简、智能分段、自动去除幻听。实测在 RTX 4070 上表现良好，适合会议记录、访谈整理、播客归档等隐私敏感场景。项目已在 GitHub 上以 MIT 协议开源。
作者实测了 HuggingFace 上多语种榜单第一、可本地部署的开源语音模型 Hojo-ASR-Multi-V1 和 Hojo-TTS-Light-40M。通过普通话、粤语、四川话及多国外语的实际听写测试，发现该 ASR 模型在普通话和粤语表现出色，但在方言虚词、专名和噪声场景下会出错；TTS 小模型在 CPU 上即可快速合成中英夹杂语音。文章还分析了模型体量、内存和 RTF 的关系，并给出不同场景下 ASR/TTS 开源模型的选型建议。
作者分享用AI辅助孩子学习的真实案例：将孩子英语课堂录音本地保存，用本地Whisper模型转写为带时间戳和置信度的JSON数据，通过硬过滤和软警告规则剔除静音、幻觉、噪声等不可靠片段，再人工筛选出老师讲解内容，交给GPT重写成结构化讲义（核心复习卡、分主题方法、必背板书、限时顺序、订正题），最后脚本导出为去除隐私信息的Word文档。文章详细介绍了完整工作流、技术细节、自检清单及三种上手配置方式，强调录音需经老师允许、数据留本机保护隐私，讲义是节省时间的工具而非替代课堂。
本文详细介绍了如何利用AI工具自动化制作海绵宝宝讲经济学的科普视频，并实现新号4天3万曝光、入选抖音精选的实战成果。作者分享了从内容策划、脚本生成、素材管理到视频合成的完整流程，重点讲解了使用Codex、Remotion、Whisper、GPT Image等工具组合，以及如何通过语义拆解画面、素材库管理和质量检查来确保视频质量。文章提供了详细的目录结构、工具选型和操作步骤，为自媒体创作者提供了一套可复制的AI视频生产方法论。
文章介绍了如何从零搭建口播视频的自动化流水线，拆解了HTML画面、TTS人声、Whisper字幕、Playwright录制和ffmpeg合成的技术原理，强调了手搓流程对理解本质的重要性，并提供了可复用的Skill结构。
本文详细拆解了一套利用Codex和Skill将公众号文章自动转化为“数字人口播+动画”视频的可复现工作流。涵盖了从文章改写、数字人生成、语音转录、动画卡自动生成到最终质检封装的全过程，旨在解决内容创作者重复出镜和机械包装的痛点。
文章介绍了一个名为 claude-video 的开源插件，利用 FFmpeg 场景检测和 Whisper 转录，解决了 Claude Code 无法精准看视频的痛点。该工具摒弃了随机抽帧，仅在画面变化时截帧，能准确理解图表、PPT 和 UI 变化。文中详细介绍了插件在 Claude Code、Cursor 等平台的安装方法、参数配置及会议纪要、Bug 复盘等七大实战场景。
作者开源了其使用半年的视频翻译工具，支持通过自然语言指令一键完成视频的下载、转写、翻译、润色及烧字幕工作。该工具基于本地 Whisper 模型实现免费离线转写，复用用户已有的 AI 接口进行翻译，并针对字幕时间轴准确性和断句润色进行了深度优化。
文章介绍了一种利用 Claude/Codex Skill 技术结合 Whisper 和 ffmpeg 实现本地化视频自动加字幕的方法。该方法通过将听写、校对翻译和烧录三个步骤拆分，利用 LLM 的纠错能力解决了传统软件（如剪映）识别不准和需手动修改的痛点，实现了免费、高准确率和全自动化的字幕制作流程。
作者推出了名为 Violin 的开源视频翻译技能。该工具结合了语音识别（ASR）、LLM 翻译和语音合成（TTS）技术，旨在打破高质量视频内容的语言壁垒。Violin 支持个性化翻译、多语言处理及与视频互动，提供 Web、CLI 和代理技能等多种使用方式，并已在 MIT 协议下完全开源。
作者分享了其开源的 AI 营销技能库，新增了 6 个实战技能（长视频切片、短视频生成、站点克隆、内容评估、线索档案、字幕生成）。这些工具均为经过真实商业环境验证的生产级代码，旨在通过开源建立信任和商业漏斗，而非提供简单的 Demo。
文章介绍了将 Obsidian 作为个人知识库与 AI 结合的 8 种自动化工作流，涵盖信息输入、汇聚、处理、维护和输出五个阶段。通过连接 Workbuddy、Readwise、Whisper 等工具，实现微信录入、网页自动总结、会议纪要生成、读书笔记转化及公众号排版等功能。核心思想是将工作流和数据存储在本地，确保资产归个人所有，提升工作效率。
作者利用 Claude Code 的 Skills 功能开发了一个会学习的视频剪辑 Agent，旨在解决剪映无法理解语义和字幕质量差的问题。该 Agent 将剪辑任务拆分为 5 个独立技能，具备自动转录、识别口误与语气词、生成字幕及自定义词典纠错等功能。最关键的是其“自更新机制”，能根据用户反馈不断优化，使用次数越多越符合个人习惯，实现了从“固定工具”到“自适应系统”的转变，大幅提升了口播视频剪辑效率。
