douyin-transcribe

1# 抖音视频转录 Skill
2 
3将抖音视频下载音频，用 SenseVoice-Small 转录为文字，存为 Markdown 文件。
4 
5## 环境要求
6 
7```bash
8# Python 3.9+
9python -m venv .venv
10source .venv/bin/activate
11 
12# 依赖
13pip install funasr modelscope torch torchaudio
14 
15# 系统依赖
16# macOS: brew install ffmpeg
17# Ubuntu: sudo apt install ffmpeg
18```
19 
20## 使用方法
21 
22```bash
23python scripts/transcribe.py "https://v.douyin.com/xxxxx"
24```
25 
26## 流程（3 步）
27 
28### Step 1: 从抖音下载音频
29 
30使用 `iesdouyin.com/share/video/<id>` + 移动端 UA 获取 `window._ROUTER_DATA`，提取 CDN 下载链接。
31 
32**关键点：**
33- ✅ `iesdouyin.com/share/video/` 而非 `douyin.com/video/`
34- ✅ 移动端 UA 必须用 iPhone
35- ✅ `playwm` → `play` 去水印
36- ⚠️ 首选无 cookie 直采；若分享页返回蜘蛛壳（风控），自动回退 yt-dlp + `YTDLP_COOKIES_FROM_BROWSER`（浏览器打开过 douyin.com 即可，无需登录）
37 
38### Step 2: SenseVoice-Small 转录
39 
40```python
41from funasr import AutoModel
42from funasr.utils.postprocess_utils import rich_transcription_postprocess
43 
44model = AutoModel(
45    model="iic/SenseVoiceSmall",
46    trust_remote_code=True,
47    vad_model="fsmn-vad",
48    vad_kwargs={"max_single_segment_time": 30000},
49    device="cpu",
50)
51 
52result = model.generate(input=audio_path, language="zh", use_itn=True, batch_size_s=60)
53```
54 
55### Step 3: 生成 Markdown
56 
57自动创建带 frontmatter 的 Markdown 文件。
58 
59## 性能数据
60 
61| 视频时长 | 模型加载 | 转录耗时 | 总耗时 |
62|------|------|------|------|
63| 10 min | ~30s | ~25s | ~1 min |
64| 30 min | ~30s | ~75s | ~2 min |
65| 1h 22min | ~40s | ~180s | ~4 min |
66 
67## 已知限制
68 
69- SenseVoice-Small 模型首次下载约 893MB（从 ModelScope，国内快）
70- CPU 推理质量略低于 GPU，但中文仍优于 Whisper-small
71- VAD 自动切分可能把长停顿处切成两段
72- 不支持说话人分离
73…