收藏里全是有用的短视频在吃灰？Video2Note：给个分享链接就能把它变成笔记

前言

先说两个我自己受不了的点。

痛点一：刷视频时经常刷到有用的，但是最后只能在收藏夹里吃灰。
通勤路上刷到一条讲得很清楚的科普，或者一个把某个技术点拆开讲透的视频，第一反应是「这个得留着」。于是点收藏。可等到周末有空想认真看，发现它整整 30 分钟，得专门腾出一段完整时间，坐下来盯着屏幕。大多数人不会这么做，收藏夹就这样越堆越厚，点开率越来越低。我们收藏的其实是「这条视频可能有价值」，而不是「我以后一定会看它」。

痛点二：AI 再强，也没法直接读你收藏夹里的短视频。
现在大家习惯把资料丢给 AI：读 PDF、读网页、读文档、做总结、进知识库。但短视频是个例外。AI 读不了视频里的画面和语音，你也没法把一条 30 分钟的视频塞给它。真正需要的是一份适合 AI 读的文本：结构清晰、有标题层级、有要点、有上下文，能直接喂给 ChatGPT、Claude，或者放进本地知识库做检索。可惜视频天生不产出这种东西。

这两个痛点，其实指向同一件事：视频里明明有信息，但它既不方便人快速消化，也不方便机器直接使用。 中间缺的是一份文本。

Video2Note 做的就是补上这一份文本。你给它一条视频链接，它还你一篇结构化的 Markdown 笔记。

一句话：你给它一个视频链接，它还你一篇可以直接用的 Markdown 笔记。

在这里插入图片描述

项目地址：https://github.com/ChenAI-TGF/Video2Note

如果觉得有用的话欢迎Star！感谢大家！

一、它到底解决什么问题

一句话：你给它一个视频链接，它还你一篇可以直接用的 Markdown 笔记。

它会自动完成这些事：

  1. 拿到视频。支持抖音、TikTok、哔哩哔哩、快手、小红书、微博、YouTube、TED，以及 yt-dlp 能解析的其它站点。
  2. 提取音频。用 ffmpeg 把音轨抽成 16kHz 单声道，喂给语音识别。
  3. 转成文字。用阿里 FunASR 的 SenseVoice 模型在本地识别，中文准确率高，CPU 就能跑，首次用会自动下载模型，之后离线可用。如果视频站点自带官方字幕（比如 TED），就直接用字幕，跳过识别。
  4. 挑配图。用 OpenCV 从视频里智能抽帧，自动避开模糊和重复画面；如果开了视觉核对，还会让支持识图的模型打分、写画面描述，再挑出最合适的几张。
  5. 整理成文。把文字稿和视频元数据交给大模型，整理成一篇结构清晰的笔记，并按你选的成稿语言输出。
  6. 导出 Markdown。写出 .md 文件，配图放进同名 .assets 文件夹，图片按编号插进正文。

它和「在线转录服务」最大的区别是：直接分享链接就可以转成笔记，非常方便，音视频不出本机，语音识别免费且离线，成本主要只有大模型那一点点 token。

二、核心能力一览

  • 链接或整段分享口令都行。可以直接粘贴纯网址，也可以把抖音那种「0.79 复制打开抖音…」的整段口令粘进去，它会自动把网址抽出来。
  • 本地离线语音识别。SenseVoice 本地跑，不需要 GPU，不需要联网（模型下载完之后）。
  • 成稿语言可选 8 种。中文、English、日本語、한국어、Español、Français、Deutsch、Русский。原始文字稿是什么语言都无所谓，成稿会翻译成你选的语言。
  • 自动配图。从视频里挑关键帧插进正文，可选视觉模型核对画面质量，抖音封面还能单独存成封面图。
  • 多家 AI 供应商兜底。可以配多个 OpenAI 兼容的接口，第一个失败自动切下一个，推荐Deepseek。
  • 本地视频也能处理。也可以选一个已经下载好的视频文件，或者直接把它拖进窗口，就能跳过下载。
  • 预览、复制、打开目录。内置一个 。Markdown 预览窗口，排版和配图都能看。
  • 界面支持 8 种语言。界面支持中文、English、日本語、한국어、Español、Français、Deutsch、Русский 等多种语言，方便友好
  • 可以用上次结果重生成。转录稿和配图会被缓存下来，改一下语言或篇幅就能重新成稿，不用再下载和识别一遍。

三、效果展示：一条 30 分钟的抖音视频，变成一篇 23KB 的笔记

这次我拿一条真实的抖音视频来演示，它也非常典型：一条讲具身智能仿真的硬核科普，时长 30 分 47 秒，属于那种「内容很好，但大概率会躺在收藏夹里」的视频。

链接是：

https://v.douyin.com/oLhmY5DaBBM/

分享的话是长这样：

1.02 复制打开抖音，看看【可lip的作品】实战！一口气看懂具身智能仿真 MuJoCo 每一步... https://v.douyin.com/oLhmY5DaBBM/ :0pm 04/20 aNJ:/ s@e.oq

3.1 生成的笔记长什么样

下面这张是程序内置的 Markdown 预览窗口截图。封面（视频头图）、标题、正文小标题、配图都排好了：

这个是刚才的那个具身智能短视频
请添加图片描述
这个是一个TED上随便选的演讲视频
在这里插入图片描述

生成的 Markdown 文件大概长这样：

---
title: "具身智能仿真全流程拆解：MuJoCo、LIBERO 与 π0.5 是怎么串起来的"
source: "抖音"
author: "可lip"
url: "https://www.douyin.com/video/7690641480163101987"
video_id: "7690641480163101987"
duration_seconds: 1847.4
cover: "....assets/cover.jpg"
created: 2026-10-10
---

# 具身智能仿真全流程拆解：MuJoCo、LIBERO 与 π0.5 是怎么串起来的

> 从一个小球落地开始，把 MuJoCo 的碰撞、受力、积分，到 LIBERO 的出题判卷，
> 再到 π0.5 接入整个循环，完整跑一遍仿真评测的每一步。

## 为什么必须用仿真：真机实验的问题
...
## 仿真的整体架构：三层加一个模型
...
## MuJoCo 的核心架构：四样东西
...

标题、来源、作者、原视频地址、时长这些元数据全部写进了 frontmatter，正文按逻辑分了小节，配图插在相关段落旁边。

这条视频的处理数据（都来自程序自己的日志）：原视频 30 分 47 秒、50.27 MB，转录出 12101 字，最终笔记 23.8 KB，全程耗时 4 分 7 秒。 也就是说，一条半小时的视频，现在变成了几分钟就能读完、还能直接丢给 AI 的一篇结构化文本。

3.2 详细的过程日志

Video2Note 的运行日志写得很细。下面这张是处理过程中的一屏，能清楚看到：来源识别为抖音、视频信息、封面地址、下载耗时，以及正在跑第 3 步语音识别：

在这里插入图片描述

下面这张是完成后的日志：每张配图的信息（文件名、分辨率、取自第几分第几秒）、文章标题、文件名、字号大小、产物路径、处理耗时、转录总字数、配图数量等，一目了然：

在这里插入图片描述

四、它是怎么工作的

整条流水线是六个步骤，界面上用总进度条串起来：

下载视频 / 读取本地视频  →  抽取音频  →  语音识别（或站点字幕）
        →  截取配图  →  大模型整理  →  导出 Markdown

有几处值得单独说说：

  • 抖音走的是原生解析。程序直接解析分享页，拿到的是无水印视频，比通用下载库稳定得多；TikTok 也支持。
  • TED 走的是官方字幕。TED 页面里带了演讲稿字幕，程序会把字幕抓下来当文字稿，跳过本地语音识别，所以更快、也更准。
  • 语音识别很快。SenseVoice 是非自回归模型，在普通 CPU 上大约能跑到 20 倍速。上面那条 30 分钟的视频，音频识别只花了 77 秒。
  • 「整理成文」其实是两次大模型调用。第一步先校对和断句（去口水词、修同音字、补标点），第二步再写成文章。先清理文字稿这一步成本很低，但对成稿质量的提升很明显。
  • 配图是怎么挑的。先按时间均匀采样若干帧，逐帧算清晰度、信息量、场景变化，剔掉模糊帧后分区打分，保证配图分散在全片而不是扎堆在同一分钟；如果开了视觉核对，还会让识图模型给每张打分并写描述。
  • 缓存。一次完整运行结束后，转录稿和配图会存进 output/.last_run_cache/，这就是「用上次结果重生成」的依据。

五、安装与首次启动

5.1 环境要求

  • Windows 10 / 11（项目主要在 Windows 上开发和测试）。
  • Python 3.10 或更高版本。安装时记得勾上「Add python.exe to PATH」。
  • ffmpeg，并把它加入系统 PATH（或稍后在配置向导里手动指定路径）。注意要完整版，精简版可能缺少音频解码器，程序会自动跳过不完整的版本。
  • 网络：下载视频、调用 AI 接口需要联网；语音识别的模型下载完之后可以离线。

5.2 获取代码

git clone https://github.com/ChenAI-TGF/Video2Note.git
cd Video2Note

5.3 第一次启动：打开配置向导

首次使用，先双击 setup.bat，会打开一个配置向导。它有三步，本次已经完成的步骤会变成绿色，随时可以重新打开修改。

在这里插入图片描述

下面是这三步的详细配置教程。

六、配置教程

第 1 步：系统配置

这一页会自动检查 requirements.txt 里列出的依赖，已经装了的会跳过，缺的直接一键补装到当前 Python 里。截图里可以看到每个包和它的用途，以及「已安装 / 未安装」的状态。

  • 若显示有缺失，点 「安装缺失依赖」 即可。第一次装 FunASR 及其依赖会比较久，属正常现象。
  • 如果 funasr 报 BackendUnavailable: Cannot import 'setuptools.build_meta'，向导会自动改用 --no-build-isolation 重试，不用手动处理。

这一页也能顺便设置：输出目录、ffmpeg 路径、ASR 模型与设备、是否自动截取配图、是否用视觉模型核对、是否下载封面、是否保留视频、md 末尾是否附原始转录等。多数情况下保持默认即可。

这里勾选你实际会用到的来源。

  • 必须配置 Cookie：抖音、TikTok。这两个站点需要登录态才能稳定拿到内容。
  • 可不配置（有兜底）：哔哩哔哩、快手、小红书、微博、YouTube、TED。公开视频无需 Cookie。

抖音 Cookie 怎么取：用浏览器登录抖音网页版，打开开发者工具（F12），在 Network 里找任意一个请求，复制它的 Cookie 请求头（形如 k=v; k=v; …），粘贴到向导的 Cookie 输入框即可。程序会自动把它转成 yt-dlp 需要的格式。你也可以选择「浏览器读取」（从本机浏览器读取登录态），或指定一个 Netscape 格式的 cookies.txt。

第 3 步：API 配置

这一页用来配置整理文本用的大模型接口。

  • 可以添加多个供应商，程序会按列表顺序依次尝试（第一个失败自动切下一个），所以第一个是你的主力，后面的是兜底。
  • DeepSeek 默认推荐；带「识图」标记的供应商可以用于配图核对。
  • 每个供应商要填四个东西：API Key、接口地址（base_url）、模型名、视觉模型（如果支持识图）。

可选的内置供应商（都走 OpenAI 兼容协议）：

供应商 接口地址
DeepSeek（推荐） https://api.deepseek.com
OpenAI https://api.openai.com/v1
Kimi / Moonshot https://api.moonshot.cn/v1
智谱 AI (GLM) https://open.bigmodel.cn/api/paas/v4
通义千问 DashScope https://dashscope.aliyuncs.com/compatible-mode/v1
火山引擎 方舟（豆包） https://ark.cn-beijing.volces.com/api/v3
硅基流动 SiliconFlow https://api.siliconflow.cn/v1
OpenRouter https://openrouter.ai/api/v1
Groq https://api.groq.com/openai/v1
百度智能云 千帆 https://qianfan.baidubce.com/v2

也可以点「自定义」，填任意一个 OpenAI 兼容的接口。如果你暂时不想用 AI，可以关掉「使用大模型整理」，程序就只输出原始转录稿。

配好这三步，就可以开始用了。

七、完整跑一个例子

双击 run.bat 启动主界面。主界面很简洁：上面是链接输入和几个选项，中间是进度，下面是运行日志。

在这里插入图片描述

  1. 粘贴链接。可以直接粘贴网址，也可以粘贴整段分享口令；程序会自动把网址抽出来显示在输入框里。
  2. 选几个选项：
    • 成稿语言：最终文章用什么语言。
    • 配图：插入几张截图（也可以选「不带配图」）。
    • 保存封面：把视频封面单独存成 cover.jpg。这是独立开关，不计入配图张数。
    • 篇幅：从「极简」到「详尽」五档。
  3. 点「开始处理」。跟着两条进度条和日志走就行。
  4. 完成后点 「Markdown 预览」 看排版好的正文（和配图），或者点 「打开输出目录」 找到 .md 文件。

如果只是对成稿不满意（比如觉得太短、想换语言），可以直接点 「用上次结果重生成」：它会复用上次缓存里的转录稿和配图，跳过下载、识别、抽帧，只重跑「整理 + 导出」，几秒钟就好。

八、输出说明

每次运行会在输出目录（默认是项目下的 output/）生成一个 Markdown 文件和同名素材文件夹：

20261010_具身智能仿真全流程拆解：MuJoCo、LIBERO 与 π0.5 是怎么串起来的_7690641480163101987.md
20261010_具身智能仿真全流程拆解：MuJoCo、LIBERO 与 π0.5 是怎么串起来的_7690641480163101987.assets/
    cover.jpg      # 封面（如果开了「保存封面」）
    01.jpg         # 配图
    02.jpg
    03.jpg

.md 文件以 YAML frontmatter 开头（title、source、author、url、duration_seconds、cover、created 等），后面才是正文。中间结果（转录稿 + 配图）缓存在 output/.last_run_cache/。

因为输出是干净的 Markdown，你可以直接把它拖进 Obsidian、Notion、语雀这类笔记软件，也可以整篇丢给 ChatGPT / Claude，或者放进本地知识库做检索。这正是「让 AI 能读短视频」的关键一步。

九、支持的视频源

来源 是否需要 Cookie 说明
抖音 需要 原生解析分享页，无水印；yt-dlp 仅作兜底
TikTok 需要 多数内容需要登录 Cookie
哔哩哔哩 可选 公开视频无需 Cookie
快手 可选 公开视频无需 Cookie
小红书 可选 部分内容需要登录
微博 可选 公开视频无需 Cookie
YouTube 可选 有原生字幕时优先使用
TED 可选 直接取官方字幕，跳过语音识别

其它 yt-dlp 能解析的站点也可以。

十、常见问题

Q：一定要配 Cookie 吗？
只有抖音和 TikTok 需要。哔哩哔哩、YouTube、TED 等公开视频都不用。

Q：提示「抖音要求登录校验 / Cookie 失效」？
在配置向导第 2 步重新粘贴最新的 Cookie（浏览器登录抖音网页版后从开发者工具复制），或把「浏览器读取」改成你登录过的那个浏览器。Cookie 一般几天到几周失效，失效后重新复制即可。

Q：长视频会不会很慢？
不会太慢。语音识别大约能跑到 20 倍速，前面那条 30 分钟的视频，识别只花了 77 秒，整条流水线 4 分钟跑完。真正耗时的是「下载」和「抽帧」，跟视频时长成正比。

Q：跑到第 3 步报「未安装 funasr / modelscope」？
说明依赖没装进正在运行程序的那个 Python（常见于电脑上有多个 Python）。直接双击 setup.bat，在第 1 步点「安装缺失依赖」，它会补装到正确的解释器。

Q：提示「未找到可用的 ffmpeg」或抽音频失败？
PATH 里第一个 ffmpeg 可能是不带音频解码器的精简版。装一个完整版 ffmpeg，或在配置向导第 1 步手动指定 ffmpeg.exe 的完整路径。

Q：为什么要调两次大模型？
先校对断句、再写成文章。口播稿普遍有口水词和缺标点，先清理再成文，质量明显更好，成本也很低。

Q：配图会额外花 API 费用吗？
会，但很少。视觉核对会消耗少量 token（每张图大约 0.5K 到 2K）。程序把视觉核对每 2 张打一批，一次任务通常只花几分钱。不想花这部分，可以在第 1 步关掉「用视觉模型核对配图」，改用纯图像指标筛图。

Q：运行日志的语言会跟着界面变吗？
会。日志和界面其它文案一起做多语言，切成英文日志就是英文，切成中文就是中文。少数例外是模型返回的内容（例如配图描述）和专有名词。

Q：识别结果不准？
口音重、背景音乐大、语速快都会影响准确率。默认的 SenseVoice 已经是中文里比较准的选择；也可以勾选「md 末尾附原始转录」对照校对。

结尾

回到开头那两个痛点。

收藏夹吃灰，是因为「看一条长视频」的启动成本太高；AI 读不了视频，是因为视频没有产出机器能用的文本。这两件事其实是同一个问题：视频里的信息，缺一个低成本的出口。

Video2Note 想做的就是这个出口。它把下载、转录、配图、整理、排版这一整套体力活收进一个按钮里，让一条躺在收藏夹里的视频，变成一篇你能几分钟读完、又能直接喂给 AI 的 Markdown 笔记。

如果你也有一堆「收藏了但没看」的视频，可以试试看。项目在 GitHub 上，欢迎 Star 和提 Issue：

https://github.com/ChenAI-TGF/Video2Note

posted @ 2026-10-10 20:08  TTGF  阅读(10)  评论(0)    收藏  举报