视频链接处理 + 提取字幕

视频链接处理 + 提取字幕

背景

有一些需要处理的视频，想把他们的字幕提取出来，得到完整的内容，进行参考。

技术数据处理说明

Excel（视频链接） -> 下载（先提取字幕，不行则下载音频） -> 转写（使用Whisper-音频转文字模型，得到内容）

核心组件

1. yt-dlp —— 万能视频下载器

   • 是 youtube-dl 的活跃 fork，支持 1700+ 站点（B站、抖音、小红书、油管…）
   • 命令行原理：访问页面 → 解析平台特定的 JSON 接口 → 拿到真实媒体 URL → 下载
   • 关键参数：

   --write-subs / --write-auto-subs：抓平台已有的字幕（最省事）
   -x --audio-format mp3：只要音频，不要视频（更小更快）
   --cookies-from-browser chrome：带浏览器登录态，绕过登录墙
   --sleep-requests / --sleep-interval：降低请求频率，反风控
   

2. FFmpeg —— 多媒体瑞士军刀 yt-dlp 底层依赖它做转码、抽音轨 视频→音频抽取、格式转换都是它干的

3. Whisper / faster-whisper —— OpenAI 开源的 ASR 模型，ASR = Automatic Speech Recognition（自动语音识别）

原理简化版：Encoder-Decoder Transformer 音频 → 切成 30 秒片段 → 转 mel-spectrogram(频谱图) → Encoder 编码

Decoder 像写作文一样逐词预测下一个 token，输出文字 + 时间戳

faster-whisper 用 CTranslate2 做推理优化，比官方版快 4 倍、显存少 模型尺寸：tiny / base / small / medium / large-v3，越大越准但越慢 中文场景一般用 base（够用）或 medium（更准）

4. SRT 字幕格式 就是这种东西：

   00:00:01,200 --> 00:00:03,500
   你好世界
   

   序号 + 时间戳 + 文字。要变"纯文本"只需正则去掉前两行再合并即可。

注意点

1. 仅供学习交流使用。
2. 优先官方字幕优先，质量高，不出错
3. 注意串行处理，或者有多个账号来回切换，防止被封控
4. 有些视频网站需要登陆，如：某站、某书，--cookies-from-browser 直接复用浏览器 里的 Cookie
5. 使用Whisper处理时，由于是跑模型，GPU/CPU密集型，串行即可。