AI Video Transcriber：开源AI视频转录与摘要工具，支持YouTube/B站等30+平台

看一条 40 分钟的 YouTube 讲座，想把里面的干货整理成笔记，手动听打是最笨的办法。AI Video Transcriber 把这件事压缩成三步：粘贴视频链接，选一个摘要语言，点开始——它自己去下载音频、转成文字、修掉口误、再生成一份摘要，最后给你一个能直接下载的 Markdown 文件。它是 GitHub 上的开源项目（Apache-2.0 协议，截至2026年7月已有 3000+ star），部署在自己电脑或服务器上跑，转写环节完全免费，只有 AI 摘要那一步需要一个大模型的 API key。

它解决的是什么麻烦

市面上不缺转文字工具，但大多数在线服务有两个卡点：要么按分钟收费、免费额度抠抠搜搜；要么只支持传本地文件，你得先想办法把 YouTube 或 B 站的视频下载下来。AI Video Transcriber 把下载这一环也包了进来——它底层用的是 yt-dlp，所以 yt-dlp 支持的平台它基本都支持，官方列了 YouTube、B站、抖音、TikTok、Apple Podcasts、SoundCloud 等 30 多个，播客和纯音频内容也能喂进去。

不方便走链接的素材，也可以直接上传本地文件，mp4、mp3、m4a、wav、webm、mkv、flac 这些常见格式都收，甚至可以直接扔一个 txt 纯文本进去只做摘要。上传默认最大 200MB，改一个环境变量（UPLOAD_MAX_MB）就能放宽。

字幕优先：不是每条视频都要跑 Whisper

这是它比”无脑全部语音识别”的工具聪明的地方。拿到一条视频后，它先检查平台上有没有现成的字幕——YouTube 很多视频自带人工或自动字幕——有就直接扒下来用，没有才动用 Faster-Whisper 做语音转写。两条路的速度差距非常大：按官方给的估计，一条 15 分钟的视频，走字幕通道大约 15 秒出结果，走 Whisper 转写则要 5 到 15 分钟。所以处理 YouTube 这类字幕覆盖率高的平台时，体验会比你想象中快得多。

AI Video Transcriber处理流程信息图：字幕优先、无字幕走Whisper转写

图：AI Video Transcriber 的处理流程，有现成字幕和没字幕走两条速度完全不同的路

真要跑 Whisper 的时候，模型大小可以自己选，从最小的 tiny（39M 参数，占内存约 150MB）到最大的 large（1550M 参数，要 3GB 左右内存），默认是 base。家用电脑没独显也能跑，就是慢一些——嫌慢就换 tiny 或 base，精度损失换速度，处理口齿清晰的普通话和英语内容通常够用。转写本身支持 100 多种语言。

转完不是完事，还有一道 AI 加工

裸的语音识别结果读起来很痛苦：没有标点断句的概念、口误和语气词一大堆、整篇糊成一坨。这个工具在转写之后会调用大模型做一遍整理——自动纠错、把说了一半的句子补完整、按内容逻辑分段。整理完再生成摘要，摘要语言可以和原视频语言不一样：你扔一条英文播客进去、摘要语言选简体中文，它会自动做翻译加总结，中文、英文、日文、韩文、西语、法语等十来种语言都支持。

AI 这一步用的是 OpenAI 兼容接口，这一点设计得比较开放：不是绑死 OpenAI 官方，你可以在页面上的 AI Settings 里填任意兼容端点——OpenRouter、国内中转、甚至本机跑的本地模型都行，填好地址和 key 点一下 Fetch，它会自动把该端点可用的模型列表拉出来让你挑。对国内用户来说这点很实用，直连 OpenAI 不方便的话换个兼容服务就是了。

怎么装：三种方式，Docker 最省心

环境要求不高：Python 3.8 以上，装好 FFmpeg，内存建议 4GB 起。官方给了三条路，最推荐 Docker Compose：

git clone https://github.com/wendy7756/AI-Video-Transcriber.git
cd AI-Video-Transcriber
cp .env.example .env
docker-compose up -d

不想用 Docker 的话，仓库里带了一键安装脚本：

chmod +x install.sh
./install.sh

再或者纯手动，建个虚拟环境、pip 装依赖、系统里装 FFmpeg（macOS 用 brew install ffmpeg，Ubuntu 用 apt install ffmpeg），然后启动：

python3 start.py

要处理长视频的话官方建议加 –prod 参数用生产模式跑，更稳。起来之后浏览器打开 http://localhost:8000 就是操作界面——界面是网页版的，手机浏览器访问也没问题。

实际用起来的流程

界面上就一个输入框加几个选项：粘贴链接（或者把本地文件拖进去），下拉框选摘要输出语言，需要的话在 AI Settings 里配一下模型，点 Transcribe，然后等进度条。跑完页面上直接展示整理好的转写全文和摘要，都是渲染好的 Markdown，看完可以一键下载 .md 文件归档，或者贴进自己的笔记软件接着编辑。

AI Video Transcriber网页版中文操作界面：粘贴链接或拖放文件即可转录

图：网页版中文操作界面，一个输入框加几个选项就是全部（来源：项目官方 README）

整个流程里唯一需要”配置”的就是那个 API key，而且如果你只要转写文字、不要 AI 优化和摘要，不填 key 也能跑通基础转写——只是那样就少了它一半的价值。

几个现实问题，装之前想清楚

第一，B站视频的下载不太稳。项目 issue 区有用户反馈下载 B 站视频返回 412 错误（B站的反爬机制），YouTube 和 TikTok 正常、唯独 B 站不行，这个 issue 被关闭了但没看到明确的修复说明。所以”支持B站”这一项，实际能不能跑通得看 yt-dlp 当时的适配情况和你的网络环境，不能打包票——B 站素材多的话建议先拿一两条实测。

第二，网络问题绕不开。要转 YouTube、TikTok 的视频，你部署的机器本身得能访问这些平台，这是 yt-dlp 的下载环节决定的，工具本身帮不了你。

第三，AI 摘要有成本。虽然可以接便宜的兼容端点，但按 token 计费的开销是实打实的，长视频的全文优化加摘要一次也要消耗不少 token——量大的话自己算一下账。

第四，这是个自部署项目，不是开箱即用的网站。虽然 Docker 一条命令能起，但排查依赖、配 key、处理偶发的 500 错误（多半是虚拟环境没激活、FFmpeg 没装、key 没配这几类）这些事总归要自己来，完全不碰命令行的用户会有门槛。只是想偶尔转一两条视频、不想折腾部署的话，用在线服务更省事——比如站内收录的通义听悟走的就是网页版路线，传文件就能转；轻量的免费转文字工具还可以看看 TransPocket。

适合谁

最对口的是有持续、批量转写需求的人：做内容的要把长视频拆成图文素材，学外语或者追行业播客的想快速拿到中文摘要再决定精读哪些，研究者和自媒体要把访谈、讲座变成可检索的文本。部署一次之后不限量、不限时长地用，这是它相对在线付费服务的核心优势。搞视频搬运的也用得上——类似思路的 YTB2BILI 就是拿 Whisper 加翻译做 YouTube 到 B 站的自动搬运，转写这一环是同一套逻辑。

另外一提，作者在 README 里挂了自己的商业版 sipsip.ai，提供托管服务和邮件摘要之类的功能——不想自部署又愿意付费的可以看看，但开源版本身功能是完整的，不是阉割引流款。