video2txt-视频理解字幕提取

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

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：

1. 需要读取视频内容或理解视频时

使用方法

基本命令

bash

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

bash

# 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

1. 确保 Python 3.11 或 3.12 环境
2. 安装依赖：python -m pip install -r requirements.txt
3. 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