media-transcriber — 音视频逐字稿转录

作者：43 COLLEGE 凯寓 (KAIYU) 出品 版本：v1.0

使用 OpenAI Whisper 将视频/音频文件转为带时间戳的逐字稿。支持说话人识别和 Claude 标点恢复。

第一次运行时会自动创建虚拟环境、安装依赖并下载 Whisper 模型（turbo 约 1.5GB），全程自动，无需手动配置。

重要：首次转录前必须提前告知用户——模型下载 + 依赖安装可能需要 5-15 分钟（取决于网速），期间终端可能长时间没有新输出，这不是卡死。务必在执行转录命令前向用户说明这一点，避免用户中途强制中断导致环境损坏。

如果运行报错缺少 ffmpeg 或需要配置说话人识别，读 SETUP.md 完成首次配置。

跨平台兼容

项目	macOS / Linux	Windows
Python	python3	python
路径分隔符	/	\
脚本路径	${CLAUDE_SKILL_DIR}/scripts/transcribe.py	${CLAUDE_SKILL_DIR}\scripts\transcribe.py

调用方式

质量模式（默认推荐）

带说话人识别 + Claude 标点恢复，适合正式内容沉淀。速度约为实时的 1/2（turbo 模型，CPU）。

# 预检环境和权限（推荐首次运行）
python3 ${CLAUDE_SKILL_DIR}/scripts/transcribe.py --check

# 质量模式：说话人识别 + 标点恢复
python3 ${CLAUDE_SKILL_DIR}/scripts/transcribe.py "video.mp4" --language zh --diarize --punctuate

# 指定说话人数量（不指定则自动检测）
python3 ${CLAUDE_SKILL_DIR}/scripts/transcribe.py "video.mp4" --language zh --diarize --punctuate --speakers 2

# 整个文件夹批量转录（质量模式）
python3 ${CLAUDE_SKILL_DIR}/scripts/transcribe.py "/path/to/folder" --language zh --diarize --punctuate

# 强制覆盖已有逐字稿
python3 ${CLAUDE_SKILL_DIR}/scripts/transcribe.py "video.mp4" --language zh --diarize --punctuate --overwrite

Python 内联调用：

import sys; sys.path.insert(0, f"{CLAUDE_SKILL_DIR}/scripts")
from transcribe import transcribe_file

transcribe_file("video.mp4", language="zh", diarize=True, punctuate=True)

快速模式

无说话人识别、无标点恢复，速度快 3-5 倍，适合快速预览内容。

# 快速模式：仅转录，无说话人，无标点
python3 ${CLAUDE_SKILL_DIR}/scripts/transcribe.py "video.mp4" --language zh

# Windows 快速模式
python ${CLAUDE_SKILL_DIR}\scripts\transcribe.py "C:\path\to\video.mp4" --language zh

环境信息

• 虚拟环境: 首次运行自动创建在 skill 目录的 venv/
• 模型存储: models/（本地化，不依赖系统缓存）
• 自动安装: openai-whisper, numpy<2.4, numba, anthropic
• 按需安装: pyannote-audio（仅 --diarize 时安装）
• GPU: 无 CUDA 时自动回退 CPU

模型选择

模型	大小	CPU 速度	中文质量	场景
turbo	1.5GB	~2x 实时	优秀	默认推荐
medium	1.4GB	~3x 实时	良好	turbo 备选
small	461MB	~1x 实时	一般	追求速度
base	139MB	~0.3x 实时	较差	快速预览

"Nx 实时" = 1 分钟音频需 N 分钟处理（CPU）

输出格式

每个文件生成 <原文件名>_逐字稿.txt：

无说话人识别（默认）：

# 文件名

[00:00 - 00:05] 文本内容
[00:05 - 00:12] 文本内容

---

# 完整文本

完整的文本内容。

有说话人识别（--diarize）：

# 文件名

**[说话人A]**
[00:00 - 00:05] 文本内容

**[说话人B]**
[00:05 - 00:12] 文本内容

---

# 完整文本

[说话人A] 第一段话内容。
[说话人B] 第二段话内容。

支持格式：.mp4 .mkv .avi .mov .wmv .flv .webm .mp3 .wav .flac .aac .ogg .m4a .wma

关键设计

• 自动 bootstrap: 首次运行自动创建 venv 并安装依赖，之后直接用 python3 调用即可，无需 activate
• 防幻觉: condition_on_previous_text=False 阻止错误传播 + ffprobe 时长过滤超时段落
• 标点引导: 指定 --language zh 时自动注入 initial_prompt 引导标点输出
• Claude 标点恢复: --punctuate 调用 Claude Haiku 对全文做整体标点恢复
• 说话人匹配: 按时间重叠量将 Whisper 片段匹配到 pyannote 说话人段落
• 按需安装: pyannote-audio 体积大，仅在使用 --diarize 时自动安装
• 模型本地化: Whisper 模型存放在 models/ 目录，通过 download_root 加载

已知限制

1. NumPy 版本: numba 需要 numpy<2.4，已在自动安装时固定版本
2. 长视频内存: 超 2 小时视频 turbo 模型约需 4-6GB RAM
3. 背景音乐: 末尾纯音乐段可能残留少量误识别
4. 说话人识别精度: 多人同时说话时准确率下降
5. 标点恢复速度: Claude API 调用约 3-10 秒延迟