roy0102152879-blip any-video-to-text
视频链接或本地音视频 → 文字稿（纯文本 + 时间戳两版）。
不调用任何云端接口，不需要密钥，不花钱，音频不出本机。
能转什么
网上的：B站（含收藏夹、合集、番剧）、YouTube、抖音、微博、知乎、小红书、西瓜视频、TikTok…… 底层用 yt-dlp，支持 1700 多个站点。
快手目前不支持。
本机的：会议录音、访谈、播客、课程录屏。.mp3 .wav .m4a .aac .flac .ogg .opus / .mp4 .mov .mkv .avi .webm .flv 都行。
这条是很多人真正需要的：内部会议录音不能传给第三方接口，本地跑就没这个顾虑。
装
pip install faster-whisper
brew install yt-dlp ffmpeg # Windows 用 winget/scoop，或到官网下载
苹果自研芯片（M 系列）的 Mac 再装一个，会快很多：
pip install mlx-whisper
首次运行会自动下载模型（1～3 GB，看你选哪个），之后离线可用。
用
# 视频链接
python3 scripts/transcribe.py "https://www.bilibili.com/video/BVxxxxx"
# 本地录音
python3 scripts/transcribe.py ~/Desktop/周会录音.m4a
# 批量：清单文件里每行一个链接或路径
python3 scripts/transcribe.py --file links.txt
# 换更准的模型 / 换输出目录 / 关掉词表
python3 scripts/transcribe.py URL --model large
python3 scripts/transcribe.py URL --out ~/Documents/文字稿
python3 scripts/transcribe.py URL --prompt-file none
# 外语视频（默认按中文转，转英文/日文内容必须加这个）
python3 scripts/transcribe.py URL --lang auto
python3 scripts/transcribe.py URL --lang en
默认
--lang zh。转 YouTube 上的英文内容记得改，否则模型会硬按中文听，出来是乱码。
产物是一份 Markdown，默认落在 ./transcripts/，含元信息、纯文字稿、时间戳稿。
模型怎么选
--model |
实际模型 | 什么时候用 |
|---|---|---|
turbo（默认） |
large-v3-turbo | 日常够用，比 large 快好几倍 |
large |
large-v3 | 中文口音重、术语密、要引用原话 |
medium / small |
medium / small | 老机器、没有独立显卡、只要个大意 |
turbo 是 large-v3 的蒸馏版，参数量小一半多。大部分场景听不出差别，赶时间就用它；要抠字眼就换 large。
机器适配
脚本自己探测，一般不用管：
| 你的机器 | 走哪个后端 | 速度感受 |
|---|---|---|
| 苹果 M 系列芯片 | mlx-whisper（GPU） | 最快，40 分钟视频约 6 分钟 |
| Windows / Linux + 英伟达显卡 | faster-whisper（CUDA） | 快 |
| 英特尔芯片 Mac | faster-whisper（CPU） | 明显慢，建议用 --model medium |
| Windows / Linux 无独显 | faster-whisper（CPU） | 明显慢，建议用 --model medium |
想强制指定：--backend mlx 或 --backend fw。
复读过滤
片头音乐、静音段、纯背景噪音会让模型开始复读，吐出「谢谢大家 谢谢大家 谢谢大家…」 或者「字幕由XX提供」这类根本没人说过的话——这是 Whisper 的老毛病。
脚本会自动识别并滤掉这类片段，跑完告诉你滤了几段。正常的短句（「好的」「嗯，对」）不受影响。
领域词表
转专业内容时同音字错得离谱——「夏普比率」听成「下铺比率」。往模型里喂一段本领域词汇能明显改善。
自带 prompts/finance.txt（投资/量化）。换成你自己的：
python3 scripts/transcribe.py URL --prompt-file prompts/medical.txt
怎么写见 prompts/README.md。
给 Agent 的行为约定
- 拿到链接或文件路径，直接跑
scripts/transcribe.py。 - 跑完读一遍文字稿，在对话里给用户补一段摘要 + 3-5 条核心要点。要具体，不要堆词。
- 产物只留在输出目录，不要自动写进用户的笔记库/知识库。 用户明确说"这条存到 XX"时才另外写卡片。
- 转写有错字是正常的，用户要引用原话时提醒他核对一下。
已知限制
- 快手不支持。
- 部分站点遇到风控需要登录态：给 yt-dlp 加
--cookies-from-browser chrome。 - 生僻词、人名、机构简称仍可能错，词表只降低概率不能根治。
- 默认按中文转写，外语内容要显式加
--lang。 - 复读过滤是启发式的，极端情况下可能误伤正常的重复强调句。
- 中英混说的内容，英文部分识别质量不如纯中文，把英文词写进词表能改善。
出处
底座参考了 ClawHub 上的 douyin-video-to-txt。本版本的改动：多后端自动适配、支持本地文件、可替换的领域词表、模型可选、输出目录可配置。