如何把 B 站视频一键转成文字稿 学习笔记

前言

平时刷 B 站，经常会遇到一个问题：

有些视频讲得很好，但就是没有字幕，想做笔记只能反复暂停、手动听写，效率特别低。

这篇文章就分享一个我自己在用的方法——把 B 站视频直接转成文字稿，而且还是带时间戳的那种。

完全免费，模型本地部署，也不用花token。

整体流程其实很简单：

下载音频 → 用 AI 自动识别 → 输出文字稿

不需要复杂操作，小白也能上手。

项目介绍

这个方案的核心，其实就是两样东西：

• • yt-dlp：用来下载 B 站视频的音频
• • Whisper：用来做语音识别（AI 转文字）

整个流程是这样的：

下载视频音频 → Whisper 语音识别 → 输出文字稿

这个方案有什么优点？

• • 不用手动听写，直接自动转
• • 支持中文，识别准确率还不错
• • 输出带时间戳，方便做笔记、剪辑

也有几个需要注意的点

• • 第一次要下载模型（大概 140MB）
• • 转录速度取决于你电脑性能

项目部署

这一块其实就是环境准备，很简单，三步搞定。

1. 安装 Python

确保你的电脑有 Python 3.8 以上版本：

python --version

2. 安装依赖

打开命令行，执行：

pip install yt-dlp openai-whisper --user

这里加 --user 是为了避免权限问题。

3. 验证是否安装成功

pip show yt-dlppip show openai-whisper

能看到包信息就说明 OK 了。

项目实操

这里分两种方式：推荐用脚本（更省事），也可以手动操作。

方式一：一键脚本（推荐）

第一步：拿到 BV 号

比如这个链接：

https://www.bilibili.com/video/BV1oPFDzQEG7

BV 号就是：

BV1oPFDzQEG7

第二步：执行命令

python bilibili_transcribe.py BV1oPFDzQEG7 output.txt base

参数说明简单说一下：

• • BV号：视频唯一标识
• • output.txt：输出文件
• • base：模型大小（推荐）

第三步：查看结果

生成的文件里会包含：

• • 视频信息（标题 / UP 主 / BV 号）
• • 分段字幕（带时间）
• • 完整文字稿

方式二：手动操作（更灵活）

第一步：下载音频

yt-dlp -x --audio-format mp3 -o audio.mp3 "视频地址"

第二步：转文字

whisper audio.mp3 --model base --language zh --output_dir .

会生成两个文件：

• • .txt：纯文本
• • .srt：字幕文件

第三步：整理内容

根据你的需求做二次整理，比如：

• • 做笔记
• • 写文章
• • 做视频字幕

模型怎么选？

这里给你一个简单结论，直接用就行：

• • 日常使用：base（推荐）
• • 想更准一点：small / medium
• • 机器一般：tiny

一句话总结：

越大越准，但越慢、越吃性能。

常见坑（提前帮你踩了）

1. 权限报错

[WinError 5] 拒绝访问

解决：

pip install yt-dlp openai-whisper --user

2. 找不到 yt-dlp 命令

原因是没加 PATH，可以这样临时解决：

$env:Path += ";你的Python路径\Scripts"

3. 中文识别不准

建议：

• • 加上 --language zh
• • 换大一点模型（small / medium）
• • 确保音频清晰

4. 转录太慢

这个没办法，主要看：

• • 视频长度
• • 电脑性能

可以用 tiny 或 base 提速。

项目心得

这个工具我自己用了之后，有几个明显感受：

第一，效率提升非常明显以前一个 20 分钟的视频，做笔记至少要 1 小时，现在基本自动搞定。

第二，特别适合做内容创作比如：

• • 写公众号
• • 做知识整理
• • 提取视频精华

第三，AI + 工具链的价值真的很大其实单看每个工具都不复杂，但组合起来就很强。

最后说一句

如果你经常看 B 站学习、做内容，这套方案真的值得配一套。

一旦用上，你基本就回不去手动听写了。