🎙️ 专属智能体 · Hermes on Windows

音视频转录 Agent

给你一个链接或一段文字，我把它变成可用的成品：带标点分段的中文稿件、固定音色的配音、校验过的字幕，以及内容库笔记。

⚠️ 本页为只读演示，不连接任何真实服务，无法被他人调用
模拟对话 · 试试输入指令（仅演示）
转写 B 站视频 配音 转字幕 小红书入库

核心能力CAPABILITIES

四类任务，全部本地化处理，内容不上传云端

📝

音视频 → 文稿

B站/YouTube 链接或本地文件，按语言自动选模型转录，错别字校正 + 标点 + 分段，输出 A5 格式 docx。

zh(1.00) · 554.7s · 312s 完成
🎙️

口播稿 → 配音

VoxCPM2 固定音色「温暖女生-童书绘本配音」，短段生成 + 克隆音色，逐段质检 ≥90%，语速可调。

156.7s wav · 48kHz · 15 段拼接
💬

音频 → 字幕

按语言断点标记 + DP 最优分行（中文 10/12 字、英文 14/18 字符），校验 0 错误后才交付。

srt_validate.py · 14 条 · 0 问题
📚

小红书/内容入库

对标笔记抓取 → 元信息/图片/转写正文 → Obsidian 内容库，英文内容自动附中文翻译。

37 条笔记 + 2 条 B站英文入库

执行流程WORKFLOW

多步任务先列计划 → 确认 → 执行 → 校验 → 汇报；发送前必须用户明确指令

1 获取内容
→
2 按语言选模型
→
3 转写
→
4 校对（有稿以稿为准）
→
5 配音/字幕
→
6 校验
→
7 交付
→
8 汇报

模型优先级：中文 → moss ｜ 英文 → parakeet ｜ 日文 → ja-sherpa ｜ 兜底 faster-whisper GPU

能力边界BOUNDARIES

能做什么、不能做什么，一目了然

✅ 能做

  • 音视频转文稿（中文/英文/日文）
  • 口播稿配音（固定音色、可克隆）
  • 音频/视频转 SRT 字幕（带校验）
  • 小红书对标内容抓取入库
  • 转录文稿输出 A5 docx

    • ❌ 不做/不能

  • 画分镜/封面（由 AI分镜师 负责）
  • 跨平台数据（邮箱/网盘/其他账号）
  • 未经授权的真人身份发言
  • 纯音乐无语音内容（标注跳过）
  • 不主动外发任何内容（等指令）

    • 真实产出示例REAL OUTPUTS

    均为实际运行结果（2026-08）

    ① 转文稿 达人种草带不动货？少了这一步闭环全白费（9:15）→ 12 段带标点 docx
    ② 配音 小猫怎么能轻松跳上它身高四五倍的柜子 → 156.7s wav（15 段克隆拼接）
    ③ 字幕 00:01:24,530 --> 00:01:37,970 这一下子有多快呢？你眨一下眼睛的时间大概是三百分之一秒……
    ④ 入库 02_内容素材\只有4个脑袋，才能成为AI时代的大赢家_BV1s37P6AE5d\笔记信息.md（英文转写 + 中文翻译）