YouTube 视频转录
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 下载 YouTube 视频的音频,并使用 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,可在精度和速度之间进行权衡。
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(音频处理所需)
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
# 下载最佳音质为 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"
# 以视频 ID 作为文件名下载(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 | 显存 | 相对速度 | 适用场景 |
|---|---|---|---|---|
| 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 | 平衡之选 |
| medium | 769M | ~5 GB | ~2x | 高准确率 |
| large | 1550M | ~10 GB | 1x | 最佳准确率 |
仅限英文的模型(tiny.en、base.en、small.en、medium.en)在处理英文内容时速度更快。
4. 运行转录
命令行方式:
# 基础转录(自动检测语言)
whisper audio.wav --model medium
# 指定语言以提高准确率
whisper audio.wav --model medium --language en
# 指定输出格式
whisper audio.wav --model medium --output_format srt
# 同时生成所有格式
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. 一键流水线
将下载与转录合并:
# 一步完成下载和转录
yt-dlp -x --audio-format wav -o "audio.wav" "YOUTUBE_URL" && whisper audio.wav --model medium --output_format all
6. 备选方案:yt-whisper 工具
如需更简单的工作流,可使用专门的 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"
# 带选项的转录
yt_whisper "YOUTUBE_URL" --model medium --language en --output_format srt
输出格式
| 格式 | 扩展名 | 描述 |
|---|---|---|
| txt | .txt | 纯文本转录稿 |
| srt | .srt | SubRip 字幕格式(带时间戳) |
| vtt | .vtt | WebVTT 字幕格式 |
| tsv | .tsv | 制表符分隔值 |
| json | .json | 包含逐词时间戳的完整数据 |
示例
指南
- 当你知道视频使用的语言时,请使用
--language标志,这能显著提高准确率 - 对于长视频(超过 1 小时),使用
small或medium模型以平衡速度和准确率 - 仅限英文的模型(
.en后缀)在处理英文内容时更快且更准确 - 配备 CUDA 的 GPU 可大幅加速转录;CPU 也能工作,但速度慢 5-10 倍
- 如果转录失败,请确保 ffmpeg 已正确安装且在 PATH 中
- 对于背景音乐较多的视频,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一次获取所有格式,然后选择你需要的