抖音视频快速转文字（优化版）🎬➡️📝
本地 Whisper 转录，无需 API Key，零成本，高隐私。
前置依赖检查
使用前确保以下工具已安装：
1. Python 3.8+
python --version2. FFmpeg（音频处理）
ffmpeg -version未安装？Windows: winget install Gyan.FFmpeg
3. OpenAI Whisper（本地转录）
pip install openai-whisper使用方式
方式 1：抖音链接
用户发送抖音链接，如：
2.89 03/17 zTl:/ n@d.nq 真正赚钱的人到底怎么用 AI？ https://v.douyin.com/D4SVbwCEY6g/
执行步骤：
步骤 1：解析视频信息
使用 douyin-mcp 获取视频下载链接：
mcporter call douyin-mcp.parse_douyin_video_info share_link="<抖音链接>"步骤 2：下载视频（仅音频流）
ffmpeg -i "<视频URL>" -vn -acodec pcm_s16le -ar 16000 -ac 1 "audio.wav" -y步骤 3：本地 Whisper 转录
whisper "audio.wav" --model tiny --language Chinese --output_format txt💡 优化提示： - 使用tiny模型最快（适合短视频） - 使用base模型平衡速度和质量 - 使用small模型质量最好（适合长视频）
步骤 4：返回结果
读取生成的 txt 文件，返回给用户。
方式 2：本地视频文件
用户发送视频文件，直接执行步骤 3-4。
优化策略
🚀 速度优化
| 策略 | 效果 | 适用场景 |
|---|---|---|
| 只下载音频流 | 减少 90% 下载时间 | 所有视频 |
| 使用 tiny 模型 | CPU 转录 1-2 分钟 | 短视频 (<3分钟) |
| 使用 base 模型 | CPU 转录 3-5 分钟 | 中等视频 (3-10分钟) |
| 跳过视频下载 | 直接提取音频 URL | 网页版抖音 |
💰 成本优化
- 零 API 费用：本地 Whisper 完全免费
- 零网络依赖：不需要 Groq/OpenAI API
- 隐私保护：视频/音频不离开本地机器
🛡️ 稳定性优化
- 不依赖浏览器：避免抖音反爬和登录问题
- 不依赖第三方 API：避免 API 限制和费用
- 离线可用：安装后无需网络即可转录
完整工作流程
用户发送抖音链接
↓
提取 modal_id / 视频 URL（通过 douyin-mcp）
↓
下载音频流（ffmpeg，~1-5MB）
↓
本地 Whisper 转录（tiny/base/small 模型）
↓
返回中文文案总耗时：
- 短视频（<3分钟）：2-3 分钟
- 中等视频（3-10分钟）：5-8 分钟
- 长视频（>10分钟）：10-15 分钟
故障排查
| 问题 | 原因 | 解决 |
|---|---|---|
| douyin-mcp 返回 403 | API Key 无效 | 检查 ~/.cursor/mcp.json 配置 |
| ffmpeg 未找到 | 未安装或不在 PATH | 安装 ffmpeg 并添加到环境变量 |
| whisper 未找到 | 未安装 | 运行 pip install openai-whisper |
| 转录质量差 | 模型太小或音频不清 | 改用 base/small 模型 |
| 转录速度慢 | CPU 性能不足 | 使用 tiny 模型或升级硬件 |
模型选择建议
| 模型 | 速度 | 质量 | 显存/内存 | 推荐场景 |
|---|---|---|---|---|
| tiny | ⚡ 最快 | ⭐⭐ | ~1GB | 短视频、快速预览 |
| base | 🚀 快 | ⭐⭐⭐ | ~1GB | 日常使用 |
| small | 🚗 中等 | ⭐⭐⭐⭐ | ~2GB | 高质量需求 |
| medium | 🐢 慢 | ⭐⭐⭐⭐⭐ | ~5GB | 专业用途 |
配置示例
Windows PowerShell 环境变量
$env:PATH = "C:\Users\<用户名>\AppData\Local\Programs\Python\Python311\Scripts;" +
"C:\ffmpeg\bin;" +
$env:PATH快速转录命令
# 下载音频
ffmpeg -i "<视频URL>" -vn -acodec pcm_s16le -ar 16000 -ac 1 "audio.wav" -y
# 转录（tiny 模型，最快）
whisper "audio.wav" --model tiny --language Chinese --output_format txt
# 转录（base 模型，平衡）
whisper "audio.wav" --model base --language Chinese --output_format txt与原版 skill 对比
| 特性 | douyin-transcribe | douyin-transcribe-fast（本版） |
|---|---|---|
| 依赖 | Groq API Key | 无需 API Key |
| 费用 | 免费（Groq） | 完全免费 |
| 隐私 | 音频上传到 Groq | 完全本地 |
| 速度 | 3-5 秒 | 2-15 分钟（取决于视频长度） |
| 网络要求 | 需要网络 | 安装后离线可用 |
| 准确度 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐⭐（small模型） |
| 适用场景 | 快速转录、大量视频 | 隐私敏感、离线环境、零成本 |
最佳实践
- 短视频（<3分钟）：直接用 tiny 模型，2分钟出结果
- 中等视频（3-10分钟）：用 base 模型，平衡速度和质量
- 长视频（>10分钟）：用 small 模型，或分段处理
- 批量处理：先下载所有音频，再批量转录
- 质量优先：对重要视频使用 small 模型，日常用 base
技术栈
- douyin-mcp：获取视频信息
- ffmpeg：音频提取和处理
- OpenAI Whisper：本地语音识别
- Python：运行环境
*优化版 Skill，让抖音文案提取更简单、更私密、更经济。*