抖音视频转录 Skill

将抖音视频下载音频，用 SenseVoice-Small 转录为文字，存为 Markdown 文件。

环境要求

# Python 3.9+
python -m venv .venv
source .venv/bin/activate

# 依赖
pip install funasr modelscope torch torchaudio

# 系统依赖
# macOS: brew install ffmpeg
# Ubuntu: sudo apt install ffmpeg

使用方法

python scripts/transcribe.py "https://v.douyin.com/xxxxx"

流程（3 步）

Step 1: 从抖音下载音频

使用 iesdouyin.com/share/video/<id> + 移动端 UA 获取 window._ROUTER_DATA，提取 CDN 下载链接。

关键点：

• ✅ iesdouyin.com/share/video/ 而非 douyin.com/video/
• ✅ 移动端 UA 必须用 iPhone
• ✅ playwm → play 去水印
• ⚠️ 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）

Step 2: SenseVoice-Small 转录

from funasr import AutoModel
from funasr.utils.postprocess_utils import rich_transcription_postprocess

model = AutoModel(
    model="iic/SenseVoiceSmall",
    trust_remote_code=True,
    vad_model="fsmn-vad",
    vad_kwargs={"max_single_segment_time": 30000},
    device="cpu",
)

result = model.generate(input=audio_path, language="zh", use_itn=True, batch_size_s=60)

Step 3: 生成 Markdown

自动创建带 frontmatter 的 Markdown 文件。

性能数据

视频时长	模型加载	转录耗时	总耗时
10 min	~30s	~25s	~1 min
30 min	~30s	~75s	~2 min
1h 22min	~40s	~180s	~4 min

已知限制

• SenseVoice-Small 模型首次下载约 893MB（从 ModelScope，国内快）
• CPU 推理质量略低于 GPU，但中文仍优于 Whisper-small
• VAD 自动切分可能把长停顿处切成两段
• 不支持说话人分离
• yt-dlp 不可用（需要 cookie），必须走 iesdouyin 路线

参考项目

• FunAudioLLM/SenseVoice - 语音识别模型
• FunASR - 语音识别框架
• vangie/douyin-transcriber - 原始灵感（Go CLI）

⚖️ 合规声明

仅供个人学习与研究使用。请遵守目标平台的服务条款（ToS）与 robots 规则，控制请求频率，不要用于批量抓取、商用爬取或侵犯他人权益的场景。下载内容的版权归原作者所有。