一个强大的跨平台视频转文本工具，使用OpenAI Whisper进行高质量语音识别。支持GPU/CPU自动检测、批量处理和智能文件管理。
- 🎥 批量视频处理 - 一次处理多个MP4/AVI/MOV/MKV文件
- 🎙️ 高质量转录 - 基于OpenAI Whisper的精准语音识别
- 🔧 跨平台支持 - Windows、macOS、Linux全平台兼容
- 🚀 智能硬件检测 - 自动使用CUDA、MPS(Apple Silicon)或CPU
- 📊 多种输出格式 - 支持TXT、SRT、VTT、JSON格式
- ⚡ 并行处理 - 多线程处理提升批量操作速度
- 🎛️ 高度可配置 - 通过CLI或配置文件灵活配置
- 📈 实时进度跟踪 - 详细的进度指示器和性能统计
- 🤖 全自动化处理 - 新增一键自动化脚本，支持智能文件分层处理
- 克隆仓库
git clone https://github.com/your-username/Video2Text.git
cd Video2Text- 安装依赖
pip install -r requirements.txt- 安装FFmpeg
- Windows: 从FFmpeg官网下载或使用
choco install ffmpeg - macOS:
brew install ffmpeg - Linux:
sudo apt install ffmpeg(Ubuntu/Debian) 或sudo yum install ffmpeg(CentOS/RHEL)
# 一键处理所有视频文件（最简单方式）
python run_auto_process.py
# 这个脚本会：
# - 自动处理 videos_todo 目录中的所有视频文件
# - 将转录结果保存到 results 目录
# - 将处理完的视频移动到 videos_done 目录
# - 提供详细的中文进度提示和性能统计# 处理大文件（150MB以上）
python run_large_process.py
# 智能分层策略：
# - SMALL (150-200MB): base模型, 30分钟超时
# - MEDIUM (200-300MB): base模型, 45分钟超时
# - LARGE (300-500MB): tiny模型, 60分钟超时
# - HUGE (>500MB): tiny模型, 120分钟超时# 基础转录
python mp4_to_text.py -i ./input_videos -o ./output_texts
# 指定模型和语言
python mp4_to_text.py -i ./videos -o ./texts -m large-v3 -l zh
# 并行处理
python mp4_to_text.py -i ./videos -o ./texts -w 2 --skip-existingVideo2Text/
├── videos_todo/ # 待处理视频文件目录
├── videos_large/ # 大文件处理目录（150MB+）
├── videos_done/ # 已完成处理的视频文件
├── results/ # 转录文本输出目录
├── core/ # 核心模块
├── tools/ # 🛠️ 工具脚本目录
│ ├── auto_process.py # 自动化处理脚本
│ ├── auto_process_large.py # 大文件智能处理脚本
│ └── quick_check.py # 系统检查工具
├── docs/ # 📚 项目文档
├── config/ # 配置文件目录
├── examples/ # 使用示例
├── run_auto_process.py # 🌟 便捷启动脚本（推荐）
├── run_large_process.py # 🌟 大文件处理启动脚本
└── mp4_to_text.py # 传统命令行工具
| 模型 | 大小 | 内存需求 | 速度 | 准确度 | 适用场景 |
|---|---|---|---|---|---|
| tiny | 39MB | 1GB | 极快 | 较低 | 快速测试 |
| base | 142MB | 2GB | 快速 | 中等 | 推荐日常使用 |
| small | 244MB | 3GB | 中等 | 良好 | 平衡性能 |
| medium | 769MB | 5GB | 中等 | 高 | 高质量需求 |
| large | 1550MB | 8GB | 较慢 | 很高 | 专业用途 |
| large-v3 | 1550MB | 10GB | 较慢 | 最高 | 最新最佳 |
GPU加速
- NVIDIA CUDA: 需要支持CUDA的NVIDIA显卡
- Apple Silicon (MPS): M1/M2/M3 Mac自动支持
- 自动检测: 使用
-d auto自动选择最佳设备
内存优化
- 内存有限时使用较小模型
- 减少并行worker数量
- 启用临时文件清理
处理速度
- 追求速度: 使用
tiny或base模型 - 平衡选择: 使用
medium模型（推荐） - 追求质量: 使用
large-v3模型配合GPU
- 音频提取: 通常1-3秒完成（基于FFmpeg优化）
- 转录速度: RTF 0.02-0.03（实时因子，越小越快）
- GPU利用率: 85-94%（NVIDIA RTX 4060测试）
- 批量处理: 支持连续处理数十个文件，100%成功率
- 小文件 (<100MB): 通常30-60秒
- 中等文件 (100-300MB): 通常1-3分钟
- 大文件 (300MB-1GB): 通常3-10分钟
- 超大文件 (>1GB): 可能需要10-30分钟
[PROCESSING]
model_name = base
language = auto
device = auto
max_workers = 1
skip_existing = true
cleanup_temp = true
[AUDIO]
format = wav
sample_rate = 16000
channels = 1
normalize_audio = false
[OUTPUT]
format = txt
include_timestamps = false
word_level_timestamps = false
[LOGGING]
level = INFO
file = logs/mp4_to_text.log
console_output = true1. GPU未被检测
# 检查CUDA安装
nvidia-smi
# 检查PyTorch CUDA支持
python -c "import torch; print(torch.cuda.is_available())"
# 重新安装支持CUDA的PyTorch
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu1212. 音频提取失败
- 确认FFmpeg已正确安装
- 检查视频文件是否损坏
- 确认有足够的磁盘空间
3. 内存不足
- 使用更小的Whisper模型
- 减少并行处理数量
- 关闭其他占用内存的程序
4. 处理速度慢
- 启用GPU加速
- 使用更快的模型（tiny/base）
- 确认硬件配置满足要求
输入视频格式:
- MP4, AVI, MOV, MKV, FLV, WebM, M4V, WMV, 3GP, OGV
输出文本格式:
- TXT (纯文本)
- SRT (字幕格式)
- VTT (WebVTT格式)
- JSON (包含元数据的详细格式)
欢迎提交Issue和Pull Request！
本项目采用MIT许可证 - 详见 LICENSE 文件
- OpenAI Whisper - 强大的语音识别模型
- FFmpeg - 多媒体处理框架
- 所有贡献者和用户的支持
🌟 如果这个项目对你有帮助，请给个Star支持！