YouTube 视频转录 是做什么的?
使用 OpenAI Whisper 和 yt-dlp 将 YouTube 视频转录为文本。
概述
该技能使用 yt-dlp 从 YouTube 视频下载音频,并利用 OpenAI 的 Whisper 模型进行转录。支持多种输出格式(txt、srt、vtt、json)以及不同大小的模型,以适应不同的准确性和速度需求。
操作说明
1. 安装依赖
# 安装 whisper 和 yt-dlp
pip install openai-whisper yt-dlp
# 验证 ffmpeg 是否已安装(音频处理必需)
ffmpeg -version
如果缺少 ffmpeg:
- macOS:
brew install ffmpeg - Ubuntu/Debian:
sudo apt install ffmpeg - Windows:从 https://ffmpeg.org/download.html 下载
2. 从 YouTube 下载音频
# 下载最佳音频质量并保存为 WAV 格式
yt-dlp -x --audio-format wav -o "%(title)s.%(ext)s" "YOUTUBE_URL"
# 下载为 MP3 格式(文件更小)
yt-dlp -x --audio-format mp3 -o "%(title)s.%(ext)s" "YOUTUBE_URL"
# 使用视频 ID 作为文件名(避免特殊字符问题)
yt-dlp -x --audio-format wav -o "%(id)s.%(ext)s" "YOUTUBE_URL"
3. 选择 Whisper 模型
| 模型 | 参数规模 | VRAM | 相对速度 | 使用场景 |
|---|---|---|---|---|
| tiny | 39M | ~1 GB | ~32x | 快速草稿、测试 |
| base | 74M | ~1 GB | ~16x | 快速转录 |
| small | 244M | ~2 GB | ~6x | 良好的平衡 |
| medium | 769M | ~5 GB | ~2x | 高准确性 |
| large | 1550M | ~10 GB | 1x | 最佳准确性 |
英语专用模型(tiny.en、base.en、small.en、medium.en)在处理英语内容时速度更快。
4. 运行转录
命令行方式:
# 基本转录(自动检测语言)
whisper audio.wav --model medium
# 指定语言以获得更好的准确性
whisper audio.wav --model medium --language en
# 输出特定格式
whisper audio.wav --model medium --output_format srt
# 一次性输出所有格式
whisper audio.wav --model medium --output_format all
# 指定输出目录
whisper audio.wav --model medium --output_dir ./transcripts
Python 方式:
import whisper
# 加载模型(首次运行时会自动下载)
model = whisper.load_model("medium")
# 转录
result = model.transcribe("audio.wav", language="en")
# 获取纯文本
print(result["text"])
# 获取带时间戳的片段
for segment in result["segments"]:
print(f"[{segment['start']:.2f} - {segment['end']:.2f}] {segment['text']}")
5. 一行命令管道
将下载和转录合并:
# 在一行命令中下载并转录
yt-dlp -x --audio-format wav -o "audio.wav" "YOUTUBE_URL" && whisper audio.wav --model medium --output_format all
6. 替代方案:yt-whisper 工具
如需更简单的工作流程,可使用专用的 yt-whisper 包:
# 安装
pip install git+https://github.com/m1guelpf/yt-whisper.git
# 直接从 URL 转录
yt_whisper "https://www.youtube.com/watch?v=VIDEO_ID"
# 带选项
yt_whisper "YOUTUBE_URL" --model medium --language en --output_format srt
输出格式
| 格式 | 扩展名 | 描述 |
|---|---|---|
| txt | .txt | 纯文本转录 |
| srt | .srt | SubRip 字幕格式(带时间戳) |
| vtt | .vtt | WebVTT 字幕格式 |
| tsv | .tsv | 制表符分隔的值 |
| json | .json | 包含单词级时间戳的完整数据 |
示例
指南
- 当你知道视频所用语言时,请使用
--language标志,以便显著提高准确性 - 对于长时间视频(超过 1 小时),请使用
small或medium模型以平衡速度和准确性 - 英语专用模型(带有
.en后缀)在处理英语内容时速度更快且更准确 - 配备 CUDA 的 GPU 可大幅提升转录速度;CPU 也能工作,但速度慢 5-10 倍
- 如果转录失败,请确保 ffmpeg 已正确安装并在 PATH 中
- 对于带有背景音乐的视频,较大的模型(medium/large)处理效果更好
- 转录后清理音频文件以节省磁盘空间
- 使用
--output_format all一次性获取所有格式,然后根据需要选择