本文经原作者授权转载，版权归原作者所有。原作者：实践哥MinLi（@MinLiBuilds）。查看原文 →
剪映的自动字幕要充会员，一年 ¥599。钱掏了，识别也就七成准：专有名词全错、语速一快整句漏掉、错别字一串，剩下的还得你一条条对着时间轴手补。花了钱，活还得自己干一半。
我嫌烦。正赶上 Claude 4.8 上市，我就去 ZenMux 上用上了它，写了个 skill 把这事彻底干掉：免费、全本地、还会自己通读纠错。录完口播把视频往 Claude 里一拖，说一句"加字幕"，几分钟拿回成片，全程不打一个字。连“程序员”听成“程序儿”、“会议纪要”听成“会计记药”这种同音错，它都自己改对了。
空口无凭，直接上成品：下面这段 Anthropic 的英文演讲，我给它配的中英双语字幕，中文在上、英文在下，整段烧进画面，从听写、翻译到烧录我一个字没敲。
这篇就拿它当例子，把怎么写一个 skill讲明白。读完你会拿到三样东西：原理你懂了、门槛就一条命令、GitHub 链接在手。手痒了，今晚就能自己做一个出来。
导读：不用从头啃
按你现在的状态挑着看就行：
- Step1 原理解释，搞清楚提取字幕的原理。
- Step2 一个 Skill，今天就能用上。
- Step3 想自己照着写一个，五步列齐。
- 彩蛋，用 zenmux 调用 Claude Opus 制作和调用这个 skill
放心，全文你一条命令都不用自己敲。
Step1 原理解释：别慌，这是你的第一个本地小模型
先介绍whisper（openai 开源模型），这套流程里负责"听写"的耳朵。对很多人来说，这可能是你第一次在自己电脑上跑一个"模型"。一听"本地跑模型"就脑补显卡轰鸣、命令行报红？先深呼吸，完全不是那么回事。
说人话，whisper 就是一个轻量的装在你电脑上、专门把语音听成文字的小程序：
- 不联网：视频不上传、不进云端，全在你这台机器上算完，隐私零担心。
- 不花钱：开源免费，跑多少次都不要钱。
- 不用你装：第一次跑时 Claude/Codex 自己把它（连识别模型）装好，你只管把视频拖进去。
所以"本地跑模型"落到你身上，其实就是：你拖个视频，电脑后台默默把语音听成了字。体感跟装了个新 App 没区别。这道很多人觉得最高的坎，你一抬腿就过了。
三个角色：这活该拆给谁干
写 skill 最容易犯的错，是上来就让 AI"做一个加字幕的工具"，它会把识别、纠错、烧字全塞进一坨代码，跑不准还没法改。
正确的第一步是先把活拆开，看每段谁最擅长。加字幕拆下来正好三个角色：
- whisper“耳朵”：把声音听成文字，还一句一句记下每句的精确时间。
- Claude/Codex：校对 whisper 的错误，沉浸式翻译。
- ffmpeg：把字幕永久印进画面，哪个平台都能看。
连起来就是一条流水线：
凭什么比剪映准？whisper 是一句一句记真实时间的，不像很多工具只给个大概、一长就对不上嘴；小模型翻译有错，这正好是 Claude/Codex 的活，剪映给不了。它现读现判列一张修正表，脚本只管照着批量替换。
写 skill 的第一原则：按"谁最擅长"拆活，确定性的手艺活（抽音轨、烧字）交给脚本，需要理解判断的那一步（纠错、翻译）留给模型。想清楚这条，skill 就成了一半。
顺带一提：英文视频配“英文原文 + 中文翻译”双语字幕，不用另写 skill，同一条流水线上，让 whisper 按英文识别、Claude/Codex 顺手翻译、换个双语样式就行。好 skill 的扩展是"加分支"，不是另起炉灶。
Step 2 跑起来：下载、一条命令、说一句话
说了半天原理，这段最实在：真就三步，命令总共一条。
① 一个 prompt，安装过程会引导安装本地模型：
帮我安装这个 skill： git clone https://github.com/limin112/video-subtitle ~/.claude/skills/video-subtitle② 重启一下 Claude Code，让它认到这个新 skill。
③ 把视频拖给它，说一句："给这个视频加字幕。"（想要双语就说"配中英双语字幕"。）完事。
会不会卡在装环境上？不会。whisper、识别模型、烧字用的完整版 ffmpeg，全是 Claude/Codex 第一次运行时替你下、替你装，你一条命令都不碰；它只会问你一句"要下个约 1.6GB 的模型，行吗"，点头就行。装完往后每个视频秒进。
Step 3 你也能照着写一个 skill
想用的看到这就够了。想自己写一个的再往下看，其实没那么玄。
skill 本质就是一个文件夹，这个加字幕 skill 摊开就仨东西：
video-subtitle/ ├── SKILL.md ← 唯一必需：给 Claude/Codex 的说明书 + 干活步骤（它的大脑） ├── scripts/ ← 干活的小工具（抽音轨、排版、烧字这些手艺活） └── references/ ← 深水区细节，用到再翻
你可能会问：我又不懂技术，怎么知道该用 whisper、用 ffmpeg？这些全可以跟 AI 聊出来。只把需求一说："想在本地把语音转成带时间点的字、还要能烧进画面"，Claude/Codex 就把 whisper.cpp、ffmpeg 这些现成轮子挑出来、讲清楚各自干啥、还帮我比了几个方案。你负责说清楚要什么，技术选型交给它，这正是不懂代码也能写 skill 的原因。
照这五步，今晚就能搓出你第一个：
- 挑对题：找一件"已经有好工具、但中间缺一步判断"的活。加字幕就是：whisper 能听、ffmpeg 能烧，就差中间'这词到底是哪个'的判断，正好 Claude/Codex 补上。
- 按"谁最擅长"拆角色：手艺活写脚本，需要读懂内容的判断留给模型现场做。
- 脚本全参数化别写死：能探测的探测、该当参数的当参数，换个视频不改一行代码。
- 把坑写进 SKILL.md：你踩过的每个坑（比如"whisper 不吃视频、得先抽音轨""系统自带 ffmpeg 烧不了字、要装完整版"）都写成一句"注意"。skill 的本质，就是把你踩过的坑，固化成 Claude/Codex 下次的默认动作，你踩一次，它和所有下载的人都不再踩。
- 测一遍：对着 SKILL.md 自查一遍，再拿两三个真实视频跑，错了把现象贴回去让它改，三五轮就稳。
嫌从零写麻烦，用官方的 skill-creator（Claude）或 $skill-creator（Codex）访谈着生成一版，再按上面五步 review。工具能帮你写，质量得你自己把关。
链接放这了，免费、开源、不限次数：
https://github.com/limin112/video-subtitle
到这儿三件事齐了：原理你懂了（whisper 听 + Claude/Codex 校 + ffmpeg 烧）、门槛就一条命令、下一步明明白白（重开 Claude/Codex，拖个视频说"加字幕"）。手痒了别忍，现在就把那行 clone 敲进去，挑条手边的视频亲手跑一遍，把剪映那 599 省下来。
再省一笔：把模型这步挂到 ZenMux
接下来恰个饭。
整条流水线里，whisper、ffmpeg 都在本地白跑，唯一烧 token 的就是 Claude/Codex 纠错 + 翻译那一步。而这步用不上顶配模型，读懂内容、按格式吐回来就够，挑个便宜又够用的轻量款最划算。
开头说我去 ZenMux 用 Claude 4.8，就是图这个：一个 key 接各家模型，新模型上线还常免费开放。在 ~/.zshrc 里加个小函数，专门用它启动 Claude Code 来跑这个api：
export ZENMUX_API_KEY="sk-ai-v1-xxx"
# 换成你在 zenmux.ai 注册拿到的 key
claude-zenmux() {
ANTHROPIC_BASE_URL="https://zenmux.ai/api/anthropic" \
ANTHROPIC_AUTH_TOKEN="$ZENMUX_API_KEY" \
ANTHROPIC_API_KEY="" \
API_TIMEOUT_MS=30000000 \
claude "$@"
}重开终端后用 claude-zenmux 代替 claude 启动，再跑加字幕，纠错/翻译那步就走 ZenMux 上你指定的便宜模型了。想换模型就改那三行的型号，哪个新模型免费就薅哪个。这下 whisper 免费、ffmpeg 免费、模型这步也挑便宜款，整条流水线几乎不花钱。
跑通了再往前一步：挑一件你天天重复、又"就差中间一步判断"的活，照那五步写出你自己的第一个 skill。写出来了，回评论区告诉我你做的是啥。