video2txt 技能
描述
将本地视频或音频文件转写为 SRT 字幕文件和 TXT 纯文本文件。
功能
- 提取视频/音频中的语音内容
- 生成带时间戳的 SRT 字幕文件
- 生成纯文本 TXT 文件
- 支持多种视频和音频格式
- 默认使用中文识别，自动转换为简体中文
使用场景：
- 需要读取视频内容或理解视频时
使用方法
基本命令
python video_to_text.py --input <视频/音频文件路径>
注意事项
- 后台执行：调用此脚本时，务必使用
background: true参数，避免弹出控制台窗口 - 脚本运行过程中会输出详细的进度日志（每 10% 报告一次），方便追踪执行状态
示例
# 基本用法
python video_to_text.py --input "D:\videos\meeting.mp4"
# 指定输出目录
python video_to_text.py --input "D:\videos\meeting.mp4" --output-dir "D:\captions"
# 指定输出路径
python video_to_text.py --input "D:\videos\meeting.mp4" --output-path "D:\captions\meeting_result"
# 指定语言和模型
python video_to_text.py --input "D:\videos\meeting.mp4" --language zh --model-size small
参数说明
| 参数 | 说明 | 默认值 |
|---|---|---|
--input |
输入文件路径（必需） | - |
--output-dir |
输出目录 | 输入文件目录 |
--output-path |
输出文件基础路径 | - |
--model-dir |
模型下载目录 | 当前目录/models |
--model-size |
Whisper 模型大小 | base |
--language |
识别语言 (auto/zh/en) | zh |
--device |
推理设备 (cpu/cuda) | cpu |
--compute-type |
计算类型 | int8 |
--beam-size |
解码束大小 (1-5) | 2 |
--no-vad-filter |
禁用 VAD 过滤 | false |
依赖
- faster-whisper >= 1.1.0
- av >= 12.0.0
- opencc-python-reimplemented >= 0.1.7
- ffprobe/ffmpeg
- Whisper 模型文件（首次运行自动下载，需要发起网络请求，占用磁盘空间）
安装
- 确保 Python 3.11 或 3.12 环境
- 安装依赖：
python -m pip install -r requirements.txt - 首次运行会自动下载 Whisper 模型到 models 目录
输出文件
<输入文件名>.srt- 带时间戳的字幕文件<输入文件名>.txt- 纯文本文件
注意事项
- 首次运行需要下载 Whisper 模型，可能需要几分钟时间
- 建议使用 Python 3.11 或 3.12，避免与 faster-whisper 的兼容性问题
- 中文识别会自动将繁体字转换为简体字
- 为了减少用户等待焦虑，每间隔10秒左右报告一次处理进度
- beam-size 默认为 2，如需调整可手动指定 --beam-size 参数