技能介绍

要解决的问题

抖音、快手、B 站上大量口播视频根本没有字幕，CC 字幕要么关闭要么只有机翻。想拿到一份可编辑的逐字文案，常规做法是把视频丢进在线转写服务，排队、上传、等结果，顺便把隐私也交了出去。这个技能针对的是「无字幕视频 → 本地文字稿」这条路径，全程离线，不依赖任何云 API。

工作方式

核心是三段式流水线：取音频 → 离线识别 → 清理输出。

第一步定位视频源。B 站可以直接吃 BV 或 av 号；抖音的分享短链（如 d@n.dn ZmQ:/）通常无法直接解析，需要先从分享文本里提取标题和作者，再用搜索引擎定位到 https://www.douyin.com/video/{video_id} 形式的页面，从中解析纯数字视频 ID，实在找不到就退到 B 站搜同名视频。

第二步下载音频流。抖音走 douyin_audio_download.py，B 站走 bili_audio_download.py，两者都会先探测视频是否自带字幕字段——有就直接保存，没必要再走一遍转写。原始流最终统一转成 audio.wav（16kHz mono），这是 Vosk 唯一认的输入格式。

第三步离线转录。vosk_transcribe.py 加载 Vosk 中文模型，可选 --srt 额外产出字幕文件，速度大约 10x 实时，30 分钟音频约 3 分钟跑完。

第四步清理。这一步最容易被低估：Vosk 的中文输出有两个特征性毛病——逐词空格（我们每天一睁眼）和同音错字。cleanup_transcript.py 会去掉中文字符之间的空格（保留英文和数字两侧的空格）、套用 200 多条常见 ASR 错误修正、再按内容逻辑插入段落分隔。

适用边界

适用：无字幕的中文口播视频、需要完整逐字稿、时长在 1–120 分钟内的场景。

不适用：

视频已有可用字幕，直接提取比离线模型准得多
纯外语视频，内置的是中文模型
需要实时或流式转录
对准确率要求极高——离线模型有 5–15% 的错误率，这是物理上限

另外要明确一点：自动清理无法修复所有错误，专有名词、数字、金融术语这类内容必须人工通读校对。模型可以按准确率需求分级选择，从 42MB 的 vosk-model-small-cn-0.22 到 1.3GB 的 vosk-model-cn-0.22，再往上还有需要 PyTorch 的 SenseVoiceSmall。如果 Vosk 效果不满意，文档也给了 faster-whisper 和在线 API 两条备选路径。