首页 → 博客 → 把 YouTube 视频转成文字的三种办法

把 YouTube 视频转成文字的三种办法

发布于 2026-08-18 · 6 分钟阅读

把一段 YouTube 视频变成文字有三条路，它们在质量和你能拿它做什么上差别巨大。选错路的典型下场，就是得到一大团没有标点、没有时间轴的词。

方案一：YouTube 已经生成好的字幕

热门视频基本都已经有自动字幕。展开视频下方的文字稿面板，复制走，完事——不用写代码，也不花钱。

它在哪里失效：

质量参差。自动字幕是上传时一次性生成的，模型偏向覆盖面而非准确度。专业术语、人名和数字最先遭殃。
很多语种没有标点。你拿到的是一串词，用来检索还行，用来阅读没法看。
不具备规模。手工复制适合一个视频，不适合一个频道的存量。
可能压根没有。小频道或冷门语种常常就是没有字幕轨。

只想读一遍某个视频，到此为止就好——免费，十秒钟。要做成可重复的流程，继续往下看。

方案二：自己转录音轨

当文字本身重要时选这条路：自己的视频、研究素材、准备发布的内容。提取音频、送去识别，拿回带标点和时间轴的文本。

从你已经有的文件里提取音轨：

ffmpeg -i video.mp4 -vn -ac 1 -ar 16000 -b:a 48k audio.mp3

然后一个请求：

from openai import OpenAI

client = OpenAI(base_url="https://voicesscribe.com/v1", api_key="your key")

with open("audio.mp3", "rb") as f:
    r = client.audio.transcriptions.create(
        model="whisper-1", file=f, response_format="verbose_json",
    )

print(r.text)

和自动字幕的差别立刻可见：有标点、大小写正确，还有精确到秒的分段——可以直接做成章节或字幕。

关于下载别人的视频

从 YouTube 下载视频受其服务条款限制，内容本身通常也是他人的版权作品。转录自己上传的视频，或者你拥有权利的素材，没有任何问题。除此之外，站得住脚的选项是内置文字稿面板，或者直接问作者要。

这不是法律意见，各国规则也不一样——但「工具让它变得很容易」从来不是抗辩理由，在搭流水线之前先弄清自己站在线的哪一边，是值得的。

方案三：整个频道存量的批量处理

面对自己的历史内容，要做的就是批量模式：一个文件夹、一个工作队列、以及从磁盘上已有结果推导出的进度。

import pathlib
from openai import OpenAI

client = OpenAI(base_url="https://voicesscribe.com/v1", api_key="your key")
OUT = pathlib.Path("transcripts"); OUT.mkdir(exist_ok=True)

for video in pathlib.Path("videos").glob("*.mp4"):
    out = OUT / (video.stem + ".txt")
    if out.exists():
        continue                      # 已经做过——不要付两次钱
    audio = video.with_suffix(".mp3")
    # ffmpeg -i video.mp4 -vn -ac 1 -ar 16000 -b:a 48k audio.mp3
    with audio.open("rb") as f:
        out.write_text(client.audio.transcriptions.create(
            model="whisper-1", file=f).text, encoding="utf-8")

一小时视频转成单声道音频约 25 MB，正好一个请求装得下。更长的录音需要切分——单次请求上限是 25 MB。

要字幕而不是纯文本

如果目标是把字幕挂回视频而不是阅读文字，直接请求字幕格式，省掉中间的转换步骤：

srt = client.audio.transcriptions.create(
    model="whisper-1", file=f, response_format="srt",
)
open("video.srt", "w", encoding="utf-8").write(srt)

得到的 SRT 文件可以在视频的字幕设置里上传，替换掉自动生成的那一轨。对多数频道来说，仅这一步就是肉眼可见的质量跃升——你的字幕有了标点，人名也拼对了。

让文字值得发布

把词表喂进去。频道名、嘉宾名、产品名和反复出现的行话放进 prompt 参数——识别错误正是集中在这些词上。
视频是单一语种就注明语种：language="zh" 能消除开头的语种误判。
保留时间轴。verbose_json 返回带起止时间的分段，是章节、切片和跳转链接的原料。
发布前通读一遍。十分钟修人名、分段落，决定了这是一篇有人读的页面还是一堵墙。

该选哪一种

情况	最佳选项
一个视频，现在就想知道讲了什么	内置文字稿面板
自己的视频，文字要发布出去	自己转录音轨
整个频道的存量	对音频做批量流水线
需要给视频配字幕	自己转录，response_format=srt
别人的视频	文字稿面板，或者问作者

用你自己的录音试一试。 注册只需一分钟，免费额度足够判断识别质量。

免费获取 API 密钥

常见问题

直接复制 YouTube 的文字稿可以吗？

单个视频完全可以——文字稿面板免费而且即时。但它是自动生成的，标点和专有名词不可靠，而且手工复制没法扩展到整个存量。

必须下载视频才能转录吗？

只需要音轨，而且只针对你拥有权利的视频。音频比视频小几十倍，画面在识别中根本不会被用到。

一小时的视频要处理多久？

几分钟：处理速度快于实时。用 ffmpeg 提取音轨通常比转录本身还慢一点。

能拿到时间戳吗？

可以。response_format=verbose_json 返回带精确起止时间的分段，srt 或 vtt 则直接给你一个现成的字幕文件。

自己转录比 YouTube 自动字幕更好吗？

同一段音频，专门跑一次转录会有标点、正确的大小写，人名和术语的处理也好得多——尤其是把词表通过 prompt 参数传进去之后。