怎么把视频转成文字？3 种方法对比，附在线工具操作步骤

手里存着一堆长视频——网课、公开课、访谈——想找某个信息点，却只能从头拖进度条。把视频转成文字，是解决这件事的第一步。

目前主流的做法有三种，各有适用场景。

方法一：直接提取字幕（最快，但有前提） 如果视频原本就带字幕文件，可以直接提取，几乎瞬时完成。但多数视频没有字幕，或字幕是"烧"在画面里的（硬字幕），这个方法就用不上了。

方法二：本地语音识别工具 比如 whisper.cpp、faster-whisper 这类开源方案。优点是数据不出本机、可离线、长期免费；缺点是要自己装 Python 环境、配依赖、准备显卡——对不熟悉命令行的用户门槛不低，没有独立显卡的电脑上速度也会明显下降。

方法三：在线工具 粘贴视频链接，云端完成"下载 → 提取音频 → 语音识别 → 输出文字稿"。门槛最低，手机也能用。适合不想折腾环境、设备一般、或者偶尔用一次的人。

以在线工具为例，操作通常就三步：

复制要处理的视频链接
粘贴到输入框，点击开始解析
处理完成后查看带时间戳的文字稿，按需导出 Markdown / Word
怎么选？

视频自带字幕 → 直接提取字幕
数据敏感、有显卡、懂命令行 → 本地工具
想省事、设备一般、需要批量 → 在线工具（如 video2text.cn 这类在线版）
最后提醒一句：处理耗时取决于视频时长、网络和当前队列，长视频会更久一些，建议提交后先去忙别的。转成文字之后，配合关键词检索和摘要，效率会比从头看视频高得多。