把视频/音频里"说出来的话"变成文字稿。这里有踩过血坑的固定套路,严格按顺序走,别自作聪明绕过第0步。
铁律(这条最重要,先记住)
永远先找"现成字幕",实在没有才动用"听译"。 绝大多数正经演讲、大会、播客都会传到 YouTube,而 YouTube 几乎都自带字幕——一条命令几秒钟扒下来,免费、不下整段视频、不占显卡。 今天就是没走这条近路,傻乎乎地把 450MB 视频下下来、用处理器硬跑半小时听译,还跑出一堆错字。这个坑不许再踩。
第0步 拿到链接先分清两件事，再决定顺序
转文字（要这段话的文字稿）和查来头（谁讲的、原版哪天讲的、是不是完整版）是两码事，别捆一起。旧版无脑"看到 X 就先跑 YouTube"是错的——X 自己也常自带字幕，那趟 YouTube 白跑。
转文字：永远先就近探手上这条链接，不必默认绕 YouTube。
- 直接跑 grab.py——脚本会先扒该链接自带的字幕（X 常有 en/es 等字幕），扒到就收工，这是最快的近路。
- 只有下面两种才值得绕去 YouTube 找原版：
- X 上压根没字幕（YouTube 那边多半有）；
- X 上是剪辑片段——文案在讲一个更长的视频、但 X 段子只有一两分钟（扒它只得一小截，要全片才去找原版）。 绕法：搜"演讲者 + 主题/标题 + 活动名"找到 YouTube 原版，用它进第1步。
时长就是照妖镜： 先
yt-dlp --no-download --print "%(duration_string)s"看一眼。X 段子跟文案吹的差不多长（说"28分钟"、就是27分）= 完整搬运，直接扒；短一大截 = 剪辑片段，得去找原版。
查来头（谁/哪天讲的/是否完整）是另一码事，只有用户开口问才做，不是转文字的必经步骤。 而且够用就停：查到能回答用户的信息即可，别追精确日期、官方原版这种用户没要求的精度反复搜（2026-07-22 踩过这坑）。
第1步 一键跑脚本(它自己判断走字幕还是听译)
python "C:/Users/Administrator/.claude/skills/视频转文字/scripts/grab.py" "<链接或本地文件>" "输出文件夹名" [语言]
第三个参数【语言】可选:中文视频传 zh(会强制中文+简体输出)、英文传 en、不传则自动判断。
脚本内部逻辑(已写死):
- 先扒现成字幕 → 成功就秒出
完整文字稿.txt,收工。 - 扒不到字幕 → 才自动抠声音、用显卡(GPU)跑听译(不是处理器)。
- 产物统一落到桌面
<输出文件夹名>里:完整文字稿.txt(干净纯文字)+ 原始字幕/字幕文件。
跑完把 完整文字稿.txt 的位置和词数报给用户即可。
哔哩哔哩 / 国内网站(和 YouTube 不一样, 单独记)
- 能下:下载工具支持哔哩哔哩(B站)、以及不少国内站,抓视频/声音这步没问题。
- 但"扒现成字幕"这条免费近路基本指望不上:B 站没有 YouTube 那种全站机器字幕,只有少数 UP 主手传了 CC 字幕才扒得到。弹幕不是字幕(弹幕是观众飘屏评论,不是台词),别去扒弹幕。
- 所以 B 站视频绝大多数直接走"显卡听译"。中文视频记得把第三个参数传
zh:python ".../grab.py" "<B站链接>" "输出文件夹名" zh - 中文精度提醒:现在用的是小号(small)模型,认中文只能"听个大概",容易有错别字。要更准需换中号(medium)模型(约 1.5G,一次性下载,当前未装)。用户 2026-07-21 选了"先用小号将就",要更准时再装 medium 并把脚本
--model small改成medium。 - 登录:B 站会员专享/高清/需登录的视频,下载时要账号 cookie。遇到先问用户,别擅自动账号。
抓不到链接的视频(微信视频号 / 付费加密页 / 任何只能在屏幕上播的)→ 录屏幕声音
下载工具够不着这类视频(视频号关在 App 里、付费页有加密)。唯一通用办法:边播边录电脑正在响的声音,再转文字。本机已装好内录能力(soundcard 库,不用驱动/不用点设置)。
三步走:
- 开录(后台跑,录到你停它为止):
python "C:/Users/Administrator/.claude/skills/视频转文字/scripts/record.py" "输出文件夹名" - 把视频从头播到尾(实时录,3 小时的视频就得播 3 小时,快进不了)。
- 停掉录制进程(智能体停后台任务=硬停,没关系),然后直接把
录音.pcm喂给 grab.py 转文字(它认得 pcm,中文加 zh):python "C:/Users/Administrator/.claude/skills/视频转文字/scripts/grab.py" "<桌面路径>/<文件夹>/录音.pcm" "<文件夹>" zh
- 边录边写盘,中途被强杀也不整段丢(pcm 一直在,不依赖任何"收尾"步骤)。
- 能拿到链接就别用录的:下载几分钟搞定,录得实时等满全程。录屏只留给真抓不到链接的。
第2步 只有听译时才需要关心的事
- 必须走显卡:这台机器有 NVIDIA GTX 1060(5G 显存),脚本会自动优先用它。若某天日志里显示"处理器(CPU)",说明"会用显卡的 torch"又被换回 CPU 版了,按下面【显卡地基】一节修。
- 时长很长(>20 分钟)、跑起来慢是正常的,但用显卡应是分钟级;若慢得像半小时那必是掉回 CPU 了。
- 听译难免有错字/漏词,是"听个大概",精度不如原生字幕。能扒到字幕就别听译。
显卡地基(听译要靠它,坏了照这修)
听译用显卡的前提是装了"会用显卡"版的 torch。自检:
C:/Users/Administrator/portable-python311/runtime/python.exe -c "import torch;print(torch.__version__, torch.cuda.is_available())"
- 显示
...+cu126 True= 正常,能用显卡。 - 显示
...+cpu False= 掉回只用处理器了,重装:
C:/Users/Administrator/portable-python311/runtime/python.exe -m pip install --force-reinstall torch==2.11.0 --index-url https://download.pytorch.org/whl/cu126
(driver CUDA 12.6 → 用 cu126 源。这块 5G 显卡够跑语音识别/OCR/中小模型;要 8G 显存起步的大模型带不动。)
常用手动命令(脚本之外, 备查)
- 只看有哪些字幕语言:
yt-dlp --no-download --list-subs "<url>" - 只扒英文字幕不下视频:
yt-dlp --skip-download --write-auto-subs --sub-langs "en-orig,en.*" --convert-subs srt -o "%(title)s.%(ext)s" "<url>" - 核对时长/发布日:
yt-dlp --no-download --print "%(title)s | %(duration_string)s | %(upload_date)s" "<url>"