🎬 视频转文字工具 (Video to Text)

基于 OpenAI Whisper 的智能视频转文字工具，支持批量上传、大文件处理和实时进度跟踪。

📸 项目截图

主界面

转换结果预览

✨ 功能特性

• 🚀 快速转录：基于 OpenAI Whisper 模型，准确识别中文语音
• 📦 批量处理：支持同时上传多个视频文件
• 💾 大文件支持：支持最大 500MB 的视频文件
• 🔄 实时进度：WebSocket 实时推送转换进度
• 🎵 音频提取：自动提取 MP3 音频文件供下载
• 📝 多格式输出：支持 TXT、SRT 字幕、JSON 格式
• 🌐 现代界面：响应式设计，支持桌面和移动设备
• ⚡ 并发处理：多任务并发转换，互不阻塞

📋 支持格式

输入格式：MP4, AVI, MOV, MKV, WebM

输出格式：

• 📄 TXT - 纯文本
• 🎬 SRT - 字幕文件
• 🎵 MP3 - 音频文件
• 📊 JSON - 完整数据

🛠️ 技术栈

• 后端：FastAPI + SQLAlchemy + SQLite
• AI 模型：OpenAI Whisper
• 音视频处理：FFmpeg
• 前端：Bootstrap 5 + Vanilla JavaScript
• 实时通信：WebSocket

📦 安装部署

前置要求

• Python 3.8+
• FFmpeg
• Conda (推荐)

1. 克隆项目

git clone https://github.com/yourusername/video-to-text.git
cd video-to-text

2. 创建虚拟环境

# 使用 conda (推荐)
conda create -n torch python=3.9
conda activate torch

# 或使用 venv
python -m venv venv
source venv/bin/activate  # Linux/Mac
# venv\Scripts\activate  # Windows

3. 安装依赖

pip install -r requirements.txt

4. 安装 FFmpeg

macOS:

brew install ffmpeg

Ubuntu/Debian:

sudo apt update
sudo apt install ffmpeg

Windows: 下载并安装：https://ffmpeg.org/download.html

5. 启动应用

# 使用启动脚本（自动激活 conda 环境）
chmod +x run.sh
./run.sh

# 或手动启动
python -m uvicorn app.main:app --host 0.0.0.0 --port 8000 --reload

访问：http://localhost:8000

� 使用方法

基本使用

1. 打开浏览器访问 http://localhost:8000
2. 点击或拖放视频文件到上传区域
3. 点击"开始转换"按钮
4. 等待转换完成
5. 下载文本、字幕或音频文件

批量上传

1. 选择多个视频文件（支持 Ctrl/Cmd + 点击）
2. 或拖放多个文件到上传区域
3. 系统会自动逐个处理

API 使用

import requests

# 上传视频
files = {'file': open('video.mp4', 'rb')}
response = requests.post('http://localhost:8000/upload', files=files)
task_id = response.json()['task_id']

# 查询任务状态
response = requests.get(f'http://localhost:8000/tasks/{task_id}')
print(response.json())

# 下载结果
response = requests.get(f'http://localhost:8000/download/text/{task_id}')
with open('transcript.txt', 'wb') as f:
    f.write(response.content)

📁 项目结构

video-to-text/
├── app/
│   ├── __init__.py
│   ├── main.py          # FastAPI 应用入口
│   ├── database.py      # 数据库配置
│   ├── models.py        # 数据模型
│   ├── tasks.py         # 任务处理逻辑
│   └── transcribe.py    # Whisper 转录核心
├── static/
│   ├── css/
│   │   └── style.css    # 样式文件
│   └── js/
│       └── script.js    # 前端逻辑
├── templates/
│   └── index.html       # 主页面
├── uploads/             # 上传文件目录
│   ├── videos/          # 视频文件
│   ├── audios/          # 音频文件
│   └── transcripts/     # 转录结果
├── .gitignore
├── requirements.txt     # Python 依赖
├── run.sh              # 启动脚本
├── deploy.sh           # 部署脚本
├── LICENSE
└── README.md

⚙️ 配置说明

Whisper 模型

在 app/transcribe.py 中可以修改模型大小：

# 可选模型：tiny, base, small, medium, large
transcriber = VideoTranscriber(model_size="base")

模型对比：

模型	大小	速度	准确率
tiny	39M	最快	较低
base	74M	快	中等
small	244M	中等	良好
medium	769M	慢	很好
large	1550M	最慢	最佳

文件大小限制

在 app/main.py 中修改：

MAX_FILE_SIZE = 500 * 1024 * 1024  # 500MB

🐳 Docker 部署

# 构建镜像
docker build -t video-to-text .

# 运行容器
docker run -d -p 8000:8000 \
  -v $(pwd)/uploads:/app/uploads \
  -v $(pwd)/video_tasks.db:/app/video_tasks.db \
  video-to-text

🔧 常见问题

1. FFmpeg 未找到

确保 FFmpeg 已安装并在 PATH 中：

ffmpeg -version

2. 模型下载慢

Whisper 模型会自动下载到 ~/.cache/whisper/，首次使用需要等待。可以手动下载后放到该目录。

3. 内存不足

• 使用较小的模型（tiny 或 base）
• 减少并发任务数量
• 增加系统内存

4. 转换速度慢

• 使用 GPU 加速（需要 CUDA）
• 使用较小的模型
• 减少视频文件大小

📊 性能指标

测试环境：MacBook Pro M1, 16GB RAM, base 模型

视频时长	文件大小	转换时间
1分钟	10MB	~30秒
5分钟	50MB	~2分钟
10分钟	100MB	~4分钟
30分钟	300MB	~12分钟

🤝 贡献指南

欢迎贡献代码！请查看 CONTRIBUTING.md 了解详情。

1. Fork 本仓库
2. 创建特性分支 (git checkout -b feature/AmazingFeature)
3. 提交更改 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 开启 Pull Request

📄 开源协议

本项目采用 MIT 协议 - 查看 LICENSE 文件了解详情。

🙏 致谢

• OpenAI Whisper - 强大的语音识别模型
• FastAPI - 现代化的 Web 框架
• FFmpeg - 音视频处理工具

📮 联系方式

• 作者：rock
• Email：944851899@qq.com
• 项目地址：https://github.com/yourusername/video-to-text

🌟 Star History

如果这个项目对你有帮助，请给个 Star ⭐️

---

注意：本项目仅供学习交流使用，请勿用于商业用途。