一个将本地视频/音频转换为文字或字幕文件的命令行工具

video-to-txt

一个将本地视频/音频转换为文字或字幕文件的命令行工具。支持自动语言检测与中文简繁转换，默认在本地运行，不需要申请任何 API Key。

Github 地址: video2audio2text: https://github.com/GaloisZhou/video2audio2text

功能

• 提取视频音频为 MP3/WAV
• 本地转录为字幕或纯文本（基于 faster-whisper）
• 自动语言检测：中文/英语，含粤语启发式识别
• 中文脚本转换：简体/繁体（基于 opencc）
• 备用方案：OpenAI API（可选）

环境要求

• Python: 支持 Python 3.8+ (已在 Python 3.13 测试通过)。
• FFmpeg : 必须安装 FFmpeg 命令行工具。
  • macOS: brew install ffmpeg
  • Windows/Linux: 请参考 FFmpeg 官网安装并添加到 PATH。

安装

1. 克隆或下载本项目。
2. 安装 Python 依赖：

pip install -r requirements.txt
pip install faster-whisper

使用方法

命令行接口 (CLI)

运行 main.py 即可处理视频。

基本用法

提取音频并生成字幕（默认使用 base 模型，输出 srt 格式）：

python main.py path/to/your/video.mp4

仅提取音频

如果不想要生成字幕，可以加上 --audio-only 参数：

python main.py path/to/your/video.mp4 --audio-only

使用 OpenAI API (解决本地安装问题)

如果本地 openai-whisper 安装失败（如在 Python 3.13 上），您可以使用 OpenAI API Key 来生成字幕：

# 方法 1: 通过命令行参数
python main.py video.mp4 --api-key sk-xxxxxx

# 方法 2: 通过环境变量 (推荐)
export OPENAI_API_KEY="sk-xxxxxx"
python main.py video.mp4

注意：API 模式会产生费用，请参考 OpenAI 官方定价。

指定模型和格式

您可以指定 Whisper 模型大小（模型越大越准但越慢）和输出格式：

python main.py video.mp4 --model medium --format vtt

• --model: tiny, base, small, medium, large
• --format: srt, txt, vtt, tsv, json