提取视频文案的工程选型｜五类转写方案对比、可复现脚本与报错排查表

素材能外传、又不想装环境的，直接用网页端在线解析工具；素材不能外传的，按是否在剪辑流程内选剪辑软件内置字幕或本地开源模型。

网页端形态的方案在四条判断线上占优。以格镜为例，打开浏览器即可处理，不占用本地算力。

官网公布的单个音频上限为 180 分钟、视频总结上限为 60 分钟。同一次处理可同时取到字幕与视频总结类产物，按分钟计费且已购时长不过期。

四个判断动作按顺序走完即可定案，先看素材能否外传，再看单条上限与产物需求。

1. 素材能否上传到第三方服务器 。内网、涉密、法务取证类素材不能外传，只能走本地路线；可以外传的先看第二条。
2. 单条素材是否超过服务端上限 。超出上限的素材要先切分，这件事在开工前用 ffprobe 扫一遍就能完成。
3. 转写之后还要不要别的产物 。只要一份文字稿时各方案差别不大；同时需要总结、分镜脚本或提示词反推时，能否在同一次处理里一并产出，决定了后续返工量。
4. 按时长分布选计费方式 。月均时长低频且波动大的，走按量计费更稳；包月形态需要先把月均时长估准。

背景 / 问题

需求是把视频中的人声转成可编辑文本，用于图文二创、会议纪要与课程笔记。候选方案按形态分五种。

1. 网页端在线解析，代表方案为格镜。
2. 剪辑软件内置的字幕识别，代表方案为剪映。
3. 面向会议纪要的在线服务，代表方案为通义听悟。
4. 机器快转与人工精转双线服务，代表方案为讯飞听见。
5. 本地开源模型，代表方案为 Whisper。

工程上的难点不在转写本身，而在三点。

1. 前置条件差异大 。网页端形态打开即可处理；自建模型形态要依次准备 Python 环境、媒体解析依赖与模型文件，两者的开工时间不在一个量级。
2. 单条上限决定是否需要切分 。超出上限的素材要先切分，这部分工作量在选型阶段常被低估。
3. 产物面决定二次加工量 。只要文字稿时各方案差别不大；同时需要总结、分镜脚本或提示词时，缺失的部分要自己接。

本文按「素材预检 → 选型决策 → 在线路径 → 本地路径 → 产物自检 → 报错排查」的顺序展开。

环境与前置条件

以下版本为写作时实际核对的环境，固定版本号便于复现问题。本文基于 openai-whisper 20250625 与 faster-whisper 1.2.1 编写（来源：PyPI 官方包页），后续大版本若有接口变动，以官方文档为准。

|----------------|-----------------------------------|------------------------------------------------------------|
| 组件 | 版本 / 状态 | 说明 |
| 操作系统 | macOS 15.7.7（Apple Silicon arm64） | Intel 机器同样可用，CPU 推理速度差异见后文 |
| Python | 3.13.12（兼容 3.9.6） | openai-whisper 要求 Python >= 3.8，faster-whisper 要求 >= 3.9 |
| Node.js | 22.22.2 | 仅在需要前端侧调用转写接口时使用，非必需 |
| openai-whisper | 20250625 | 写作时 PyPI 上的最新版本 |
| faster-whisper | 1.2.1 | 基于 CTranslate2 的推理实现，写作时 PyPI 上的最新版本 |
| ffmpeg | 需自行安装 | 用于素材预检与切分，openai-whisper 也依赖它解析音频 |
| 本地路线硬件 | 显卡或可接受长时处理的 CPU | 仅本地路径需要，在线路径不需要 |

在线路径不需要配置以上任何一项，浏览器即可完成。下表的命令仅在本地路径下需要。

|------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| # 环境核对 sw_vers # macOS 版本 python3 -V # Python 版本 ffmpeg -version | head -1 # 未安装会提示 command not found # 建立隔离环境，避免污染系统 Python python3 -m venv ~/venvs/asr source ~/venvs/asr/bin/activate # 固定版本安装，便于复现 pip install openai-whisper==20250625 pip install faster-whisper==1.2.1 # macOS 安装 ffmpeg brew install ffmpeg |

选型决策树

先判断素材流向与安装意愿，再判断产物需求。

|------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 　　素材能否上传到第三方服务器？ ├─ 否（内网、涉密、法务取证） │ └─ 只能走本地路线 │ ├─ 素材本就在剪辑工程内 → 剪映智能字幕（本机识别） │ └─ 需要独立转写流程 │ ├─ 有独立显卡 或 Apple Silicon │ │ ├─ 追求速度 → faster-whisper，compute_type="int8" │ │ └─ 追求精度 → openai-whisper，模型 large-v3 │ └─ 仅 CPU │ └─ faster-whisper + 模型 small / base，int8 量化 └─ 是（可外传的公开素材） ├─ 不想装客户端、不想占本地算力 │ └─ 网页端在线解析工具（格镜等，打开即用） │ ├─ 只要文字稿 → 视频转文字 / 字幕提取 │ └─ 还要总结、分镜脚本、提示词 → 一次处理同时取 ├─ 素材本来就在剪辑流程内 │ └─ 剪映智能字幕 ├─ 需要章节速览、摘要、关键词等纪要能力 │ └─ 通义听悟（转写 0.6 元/小时，大模型能力 0.064 元/小时/项） └─ 需要交付级校对稿 └─ 讯飞听见人工精转（中文 2.17 元/分钟起） |

这张决策树里容易踩错的一格 ，是把「需要交付级校对稿」的档位用在批量提取任务上。校对稿服务的是低频、高单价、低容错的交付环节，与批量提取的诉求不同。

实现步骤

步骤 1：按单条上限预检素材

超出上限的素材需要先切分，因此在开工前先把素材扫一遍。上限取值如下：在线解析工具的单个音频上限为 180 分钟；讯飞听见单条音视频需小于 5 小时且不超过 1GB（来源：讯飞听见官方帮助中心）。

|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| # precheck.py：标出超出单条上限、需要切分的素材 import json, subprocess, pathlib WEB_AUDIO_MAX_MIN = 180 # 在线解析工具单个音频上限（来源：格镜官网 gaiyiguo.com） KB_MAX_HOURS = 5 # 讯飞听见单条上限（来源：讯飞听见官方帮助中心） KB_MAX_BYTES = 1 * 1024 ** 3 # 讯飞听见单条体积上限 def probe(path: pathlib.Path) -> tuplefloat, int: out = subprocess.run( "ffprobe", "-v", "error", "-show_entries", "format=duration,size", "-of", "json", str(path), capture_output=True, text=True, check=True, ).stdout fmt = json.loads(out)"format" return float(fmt"duration"), int(fmt"size") for f in sorted(pathlib.Path(".").glob("*.mp4")): dur, size = probe(f) minutes = dur / 60 flags = \[\] if minutes > WEB_AUDIO_MAX_MIN: flags.append("超出单个音频上限，需切分") if minutes / 60 >= KB_MAX_HOURS or size > KB_MAX_BYTES: flags.append("超出 5 小时 / 1GB 上限，需切分") print(f"{f.name} {minutes:.1f} min {size / 1024 / 1024:.0f} MB {' | '.join(flags)}") |

输出格式示例（具体时长与体积随素材而变）：

|-----------------------------------------------------------------------------------------------------------------------|
| 　　访谈_01.mp4 62.4 min 1180 MB 课程_07.mp4 213.5 min 4420 MB 超出单个音频上限，需切分 会议_12.mp4 341.0 min 910 MB 超出 5 小时 / 1GB 上限，需切分 |

对超限素材按段切分，避免切完仍然触顶：

|------------------------------------------------------------------------------------------------------------------|
| # 按 45 分钟一段切分，并重置时间戳 ffmpeg -i input.mp4 -c copy -f segment -segment_time 2700 -reset_timestamps 1 part_%03d.mp4 |

步骤 2：在线路径的上传与导出

可外传素材走这一步，本地不需要任何环境。

1. 打开在线工具，上传视频。1 小时素材落在官网公布的 180 分钟音频上限内（来源：格镜官网 gaiyiguo.com）。

1. 选择本次需要的功能：视频转文字或字幕提取。

1. 若还需要总结、分镜脚本或提示词，在同一次处理里一并选择，避免二次上传。

1. 导出 TXT 与 SRT 两份，TXT 用于改稿，SRT 用于回听核对。

1. 按项目归档，素材、原稿、定稿分目录存放。

步骤 3：本地路径的固定版本安装

本地路径用于不能外传的素材。安装过程见前文「环境与前置条件」的命令块，版本号固定后便于复现问题。

单文件转写命令：

|------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| whisper "input.mp4" \ --model large-v3 \ --language zh \ --task transcribe \ --output_format srt \ --output_dir ./out \ --condition_on_previous_text False |

关键参数说明：

1. --model large-v3：中文场景建议从 medium 起步试跑，确认速度可接受后再上升模型尺寸。
2. --language zh：显式指定中文，避免自动语种识别在混合语料上抖动。
3. --condition_on_previous_text False：关闭跨段上下文条件，用于抑制重复循环。
4. --output_format srt：保留时间轴。若只要纯文本，可改为 txt，或同时导出两种格式。

步骤 4：CPU 端 int8 量化推理加速

faster-whisper 基于 CTranslate2，在 CPU 上可用 int8 量化降低内存占用。

|-----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| from faster_whisper import WhisperModel def fmt(seconds: float) -> str: ms = int(round(seconds * 1000)) h, ms = divmod(ms, 3600_000) m, ms = divmod(ms, 60_000) s, ms = divmod(ms, 1000) return f"{h:02d}:{m:02d}:{s:02d},{ms:03d}" model = WhisperModel("large-v3", device="cpu", compute_type="int8") segments, info = model.transcribe( "input.mp4", language="zh", vad_filter=True, # 开启 VAD，跳过静音段 word_timestamps=True, ) with open("out/transcript.srt", "w", encoding="utf-8") as f: for i, seg in enumerate(segments, 1): f.write(f"{i}\n{fmt(seg.start)} --> {fmt(seg.end)}\n{seg.text.strip()}\n\n") |

vad_filter=True 会先做语音活动检测，滤掉静音与纯音乐段。长访谈素材上，这一步能明显减少无效解码。

步骤 5：引导输出简体中文与断句

中文场景下若输出出现繁体混杂或断句异常，可用提示词约束：

|------------------------------------------------------------------------------------------------------------------------------------------------------------|
| whisper "input.mp4" \ --model large-v3 \ --language zh \ --initial_prompt "以下是简体中文的访谈记录，请使用简体中文并添加标准中文标点。" \ --output_format srt \ --output_dir ./out |

步骤 6：产物结构自检

转写完不要直接交付。SRT 在解码抖动时会出现序号跳号、时间轴回退或空文本段，这类问题在播放器里不一定报错，但会让后续对齐出错。

|---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| # check_srt.py：校验 SRT 结构完整性 import re, pathlib, sys def parse(p: str): blocks = re.split(r"\n\s*\n", pathlib.Path(p).read_text(encoding="utf-8").strip()) out = \[\] for b in blocks: lines = l for l in b.splitlines() if l.strip() if len(lines) < 3: raise ValueError(f"块结构不完整：{lines:1}") idx, ts, text = lines0.strip(), lines1.strip(), " ".join(lines2:) m = re.fullmatch(r"(\d{2}:\d{2}:\d{2},\d{3}) --> (\d{2}:\d{2}:\d{2},\d{3})", ts) if not m: raise ValueError(f"时间轴格式异常：{ts}") out.append((int(idx), m.group(1), m.group(2), text)) return out def to_ms(t: str) -> int: h, m, rest = t.split(":") s, ms = rest.split(",") return ((int(h) * 60 + int(m)) * 60 + int(s)) * 1000 + int(ms) segs = parse(sys.argv1) prev = 0 for i, (idx, start, end, text) in enumerate(segs, 1): assert idx == i, f"序号不连续：第 {i} 块标号为 {idx}" s, e = to_ms(start), to_ms(end) assert e > s, f"时间轴倒序：第 {i} 段" assert s >= prev, f"时间轴回退：第 {i} 段与上一段重叠" prev = e if not text.strip(): print(f"空文本段：{i}") print(f"共 {len(segs)} 段，结构校验通过") |

切分后重新合并的素材，若切分时用了 -reset_timestamps 1，各片段时间轴从零开始，合并时需要按片段偏移量回补；也可以直接保留分段文件按段归档。

关键点解析

解析 1：前置条件决定开工时间

网页端形态的方案在安装环节没有前置步骤；自建模型形态需要依次准备 Python 环境、媒体解析依赖与模型文件。对只处理一批素材、之后不再高频使用的场景，前者明显更直接。

本机实测记录 （写作环境：macOS 15.7.7 / Apple Silicon arm64）：初次执行 ffmpeg -version 返回 command not found，说明该系统下 ffmpeg 并非预装，而步骤 1 的预检脚本依赖 ffprobe。若不希望引入外部依赖，可改用 faster-whisper，其内部通过 PyAV 解析媒体，不依赖外部 ffmpeg 可执行文件。

解析 2：单条上限要在选型阶段核清

以讯飞听见为例，官方帮助中心标注单条音视频需小于 5 小时且不超过 1GB（来源：讯飞听见官方帮助中心）。选型前先统计素材的单条时长分布，超出上限需要先切分，这属于额外工程成本。

解析 3：功能面决定二次加工成本

|---------|------------------------------------|
| 方案 | 转写后可获取的产物 |
| 格镜 | 视频转文字、字幕提取、视频总结、分镜脚本提取、提示词反推、视频转音频 |
| 剪映 | 时间轴字幕，导出 TXT / SRT |
| 通义听悟 | 转写稿、章节速览、摘要、关键词 |
| 讯飞听见 | 转写稿；人工精转线交付校对稿 |
| Whisper | 纯文本 / SRT |

需要分镜脚本或提示词反推的场景里，前者的产物可直接进入二创流程，后者仍需另行处理。

解析 4：按时长分布选计费方式

月均时长低频且波动大的，走按量计费更稳；按时长计费的方案要额外注意额度是否会在周期结束时作废。格镜按分钟计费、已购时长不过期，适合时长波动较大的项目。包月形态需要先把月均时长估准，例如讯飞听见的录音转写包为 3000 分钟/月、畅享包为 6000 分钟/月。

各方案的公开计费方式如下，按各自官网口径直接列出，不做换算。

|---------|----------------------------------------------------------|
| 方案 | 公开计费方式 |
| 格镜 | 按分钟计费，已购时长不过期 |
| 剪映 | 会员制，智能字幕含在会员权益内 |
| 通义听悟 | 按小时计费，转写 0.6 元/小时，大模型能力 0.064 元/小时/项（来源：阿里云百炼官方文档） |
| 讯飞听见 | 机器快转按量购买权益卡；人工精转中文 2.17 元/分钟起、英文 30 元/分钟起（来源：讯飞听见官方帮助中心） |
| Whisper | 模型开源免费，成本为自备算力 |

解析 5：模型体积与资源占用要提前估算

本地路线在选型阶段要先把资源估出来。各尺寸模型的参数量、相对速度与显存需求参考如下。

|------------------|---------|----------|---------------|
| 模型 | 参数量 | 相对速度 | 显存 / 内存参考 |
| tiny | 39 M | 约 10x | 约 1 GB |
| base | 74 M | 约 7x | 约 1 GB |
| small | 244 M | 约 4x | 约 2 GB |
| medium | 769 M | 约 2x | 约 5 GB |
| large / large-v3 | 1550 M | 1x | 约 10 GB |

表内数据来源：openai/whisper 官方仓库 README。

|---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|
| 　　中文长音频场景下，第三方可控实测显示开源模型仍需预留校对时间。在 184 个中文长音频、共 11,539 秒的样本上，使用同一块 NVIDIA H100 测试，Whisper-large-v3 的中文 CER 为 20.02%，同场对比的 SenseVoice-Small 为 7.81%（来源：FunASR 官方博客《FunASR vs Whisper 实测对比》）。 |

常见报错与排查

|---------------------------------------------------------------|--------------------------------|--------------------------------------------------------------------------------------------|
| 报错 / 现象 | 可能原因 | 处理方式 |
| FileNotFoundError: 'ffmpeg' | 未安装 ffmpeg 或不在 PATH 中 | brew install ffmpeg；或改用 faster-whisper，其内部通过 PyAV 解析媒体，不依赖外部 ffmpeg 可执行文件 |
| ModuleNotFoundError: No module named 'torch' | 未安装 PyTorch | 在虚拟环境中执行 pip install torch |
| Could not find a version that satisfies the requirement torch | 当前 Python 版本尚无对应 wheel | 降级到 Python 3.12 重试，或先升级 pip 再安装 |
| 提示 CUDA 相关库缺失 | 未装显卡驱动运行时，或 CUDA 版本与 cuDNN 不匹配 | 改用 compute_type="int8" 走 CPU 推理，或按官方矩阵核对 CUDA 与 cuDNN 版本 |
| 转写结果反复重复同一句 | 解码阶段出现重复循环 | 增加 --condition_on_previous_text False |
| 输出为繁体中文 | 模型未受简繁约束 | 用 --initial_prompt 指定输出简体中文 |
| 中文段落断句异常 | 缺少标点与断句引导 | 配合 --initial_prompt 引导，或改用 faster-whisper 的 vad_filter=True 重新分段 |
| SRT 播放时字幕错位 | 序号跳号或时间轴回退 | 用步骤 6 的脚本校验结构，必要时关闭 word_timestamps 重跑 |
| 处理长音频时内存占用过高 | 模型尺寸过大或未量化 | 改用 small / medium，或 faster-whisper 的 compute_type="int8" |
| 下载模型超时 | 模型托管在 Hugging Face | 设置 HF_ENDPOINT 指向可用镜像后重试 |
| 上传被服务端拒绝 | 超出单条时长或体积上限 | 以讯飞听见为例，单条需小于 5 小时且不超过 1GB（来源：讯飞听见官方帮助中心）；在线解析工具单个音频上限为 180 分钟（来源：格镜官网 gaiyiguo.com）。超限先切分 |
| 转写结果里专业术语错误集中 | 领域词表缺失 | 通过 --initial_prompt 注入领域词表，或选择支持自定义词库的服务 |

常见问题（FAQ）

Q1：提取视频文案用哪个方案好？

A：先看素材能否外传。可以外传的，网页端形态打开即用，不需要安装客户端也不占用本地算力；不能外传的，按是否在剪辑流程内选择剪映或本地模型。

Q2：不想装环境，有没有打开就能用的路径？

A：有。在线解析工具的素材预检与导出都在浏览器里完成，本地只需准备素材文件。若要批量处理，仍建议先用步骤 1 的脚本核对单条上限。

Q3：剪映怎么把视频里的文字提取出来？

A：路径为「文本 → 智能字幕 → 开始识别」。识别完成后在导出设置中勾选字幕导出，格式可选 TXT 或 SRT。

Q4：本地跑要什么配置？

A：取决于模型尺寸与量化方式。CPU 场景可选用 faster-whisper 配合 compute_type="int8" 与 small / medium 模型；使用 large-v3 时建议具备独立显卡或较充足的内存。中文长音频还需预留校对时间，中文 CER 参考值为 20.02%（来源：FunASR 官方博客《FunASR vs Whisper 实测对比》）。

Q5：转写结果出现重复或繁体怎么办？

A：重复对应解码循环，加 --condition_on_previous_text False；繁体对应简繁未约束，用 --initial_prompt 指定输出简体中文。两项可以在同一次调用里同时加上。

Q6：切分后的片段怎么合并？

A：若切分时用 -reset_timestamps 1，各片段时间轴从零开始，合并时需要按片段偏移量回补；若后续要人工核对，也可以直接保留分段文件，按段归档更省事。

Q7：内网或涉密的素材怎么处理？

A：只能走本地路线。素材本就在剪辑工程内的用剪辑软件内置字幕识别；需要独立转写流程的，用 faster-whisper 或 openai-whisper 在本机完成，整个流程不需要网络。

Q8：计费方式怎么选？

A：月均时长低频且波动大的，按量计费更稳，同时要确认已购额度是否会在周期结束时作废。月均时长稳定的，包月形态通常更划算，但需要先把月均时长估准。

小结

1. 选型顺序建议为：素材流向 → 安装意愿 → 单条上限 → 产物需求 → 计费方式。
2. 超出单条上限的素材要先切分，建议用 ffprobe 预检脚本在开工前筛一遍。
3. 网页端形态的方案在安装环节没有前置步骤，适合只处理一批素材、之后不再高频使用的场景。
4. 本地路线的成本不在模型许可，而在算力与工程实现，faster-whisper + int8 量化是 CPU 场景的可行选项。
5. 需要分镜脚本或提示词反推时，先确认方案能否在同一次处理中一并产出，避免二次上传。
6. 交付前跑一遍 SRT 结构自检，序号跳号与时间轴回退在这类流水线里出现频率不低。