做视频转录，多数工具的默认路径是：下载视频 → 抽音频 → Whisper 整段转写。YouTube 这种自带字幕的平台，也照样花十几分钟跑一遍语音识别，慢且费钱。
wendy7756/AI-Video-Transcriber（Python，Apache-2.0，3.2k+ stars）把顺序反过来了：有原生字幕的平台直接提取字幕文本，Whisper 只做兜底。于是「转录 YouTube 视频」这类最常见的任务，从分钟级降到秒级。
说明：本文基于仓库 README 整理，命令与配置未在本机实测，以仓库为准。
两个关键架构决策
字幕优先，Whisper 兜底
有原生字幕的平台（YouTube、Bilibili 等）直接抓字幕，不走语音识别。结果卡片上的徽章标明本次走的路径：⚡ Subtitle（绿色）= 秒级提取；🎙 Whisper（青色）= 无字幕，下载音频后用 Faster-Whisper 转写。
这直接改变成本结构：字幕路径只耗一次 LLM 调用（优化 + 摘要），Whisper 路径还要多付一段语音识别算力。选型前先想清楚你的源：以 YouTube/Bilibili 为主，字幕优先收益明显；纯音频播客基本都会落到 Whisper 路径，就把它当成一个普通 Whisper 工具来比价。
视频下载与转录并行，且只下载一次
「保留原视频」默认开（≤720p）。下载与转录并行跑；走 Whisper 路径时，音频直接从这份视频里抽，同一 URL 只请求一次。只要文本，就把这个开关关掉，省带宽和磁盘。
部署
环境要求：Python 3.8+、FFmpeg（硬依赖，音频提取/合流/本地上传转码都要用）、一个 OpenAI 兼容 API Key（OpenAI、OpenRouter、本地 LLM 都行）。
# 自动安装
git clone https://github.com/wendy7756/AI-Video-Transcriber.git
cd AI-Video-Transcriber
chmod +x install.sh && ./install.sh
# Docker Compose
cp .env.example .env
docker-compose up -d
手动装就是 venv + requirements.txt + ffmpeg，macOS 建议虚拟环境避开 PEP 668。Docker 有个容易忽略的点：转录文件和原视频在容器内 /app/temp，要持久化得取消 docker-compose.yml 里 volumes 的注释，否则容器一删全没。
启动：
python3 start.py # http://localhost:8000
python3 start.py --prod # 生产模式
--prod 不是性能开关，是稳定性开关：禁掉热重载，避免 30–60 分钟的长任务里 SSE 进度连接被重载打断。自己部署跑长视频时，漏掉这个参数会踩到「任务中途进度断掉」的坑。
使用要点
- 本地上传与链接任务共用
POST /api/process-video（multipart 带file），反向代理只放行单个路径时上传不受影响。 - 本地上传的音视频先经 FFmpeg 归一化再交给 Whisper；
.txt直接进文本管线，不下载也不跑语音识别。 - AI 模型在页面 AI Settings 面板配置：填 API Base URL + Key，点 Fetch 自动拉模型列表。凭据存浏览器 localStorage。多用户共享部署时注意：Key 存在浏览器里等于谁拿到页面就能读到，敏感场景建议用服务端环境变量。
- 转录语言与摘要语言不一致时，自动出现翻译标签页；每个标签页有独立下载按钮。
给脚本和 agent 用
无头入口 transcribe.py，不启服务不开浏览器：
venv/bin/python transcribe.py "https://www.youtube.com/watch?v=VIDEO_ID" --json
venv/bin/python transcribe.py talk.mp4 -l zh --no-video
venv/bin/python transcribe.py notes.txt --no-llm # 不需要 API Key
退出码：0 成功，2 输入不合法，1 下载/转码失败；--json 结果走 stdout，进度走 stderr，好接脚本。
一个值得记住的细节：no_speech 标记。视频没有语音时，管线直接跳过 LLM 返回空文本，README 明确要求 agent 如实上报「无语音」，而不是把空文稿丢给 LLM——空输入会得到一段自信的虚构内容。做自动化转录的团队可以把这条写进自己的错误处理。
另外仓库自带 Claude Code skill（.claude/skills/video-transcribe/SKILL.md）和可选 stdio MCP server（暴露 transcribe_video 工具），注册方法都在 README。CLI 也能传 --api-key，但推荐用环境变量，避免 Key 进 shell history。
什么情况下别用它
- 源主要是无字幕的纯音频/小众平台：字幕优先的红利吃不到，退化成普通 Whisper 工具，先对比下直接跑 Faster-Whisper 的成本。
- 机器上没有 FFmpeg 也不想装：它是硬依赖。
- 数据不能出网的场景：虽然支持本地 LLM（任意 OpenAI 兼容端点），但要自己把 vLLM/Ollama 之类端点配好，默认示例都指向 OpenAI/OpenRouter。
- 大批量跑长视频：先想清楚
--prod和 temp 持久化，别把转录结果跑丢在容器里。
协议 Apache-2.0，可自行修改。项目地址：https://github.com/wendy7756/AI-Video-Transcriber