kouhxp/yapsnap 来源：https://github.com/kouhxp/yapsnap # yapsnap > 将任意视频 URL 或音频文件快照为纯文本。无需 GPU。无需云服务。一条命令。 Python 许可证 平台 bash yapsnap "https://www.youtube.com/watch?v=dQw4w9WgXcQ" 就是这样。你会在 shell 旁边得到一个 .txt 文件，在 CPU 上转录完成，所花时间比视频播放时间还短。 — ## 为什么选择 yapsnap - ⚡ 在 CPU 上飞快。 流式 Zipformer 换能器（Kroko English）在笔记本上能以数倍于实时速度处理音频。无需 CUDA。无需 M 系列专属技巧。普通旧核心即可。 - 🌐 任意视频 URL 及本地文件。 YouTube、X、TikTok、Instagram Reels、直接 .mp4/.mp3 链接，或者指向磁盘上的一个文件。yt-dlp 负责抓取，ffmpeg 负责解码，其余部分归你。 - 📴 首次运行后离线。 约 80 MB 的模型只会下载一次到你的缓存并保留。无需 API 密钥。无配额限制。你的音频永远不会离开你的机器。 - 🪶 单个文件，三个依赖。 sherpa-onnx、numpy、yt-dlp。整个工具就是一个 Python 模块。 - ⏱ 需要时带上句子级时间戳。 --timestamps 利用 Kroko 内置的标点，为每个句子添加 [MM:SS]。即使以 2 倍速转录，时间线依然正确。 — ## 快速入门 bash # 1. 确保 ffmpeg 在 PATH 中（一次性操作，因系统而异 —— 见下文） # 2. 安装 pip install . # 3. 快照某个内容 yapsnap https://www.tiktok.com/@user/video/7234567890123456789 yapsnap meeting.mp4 --timestamps yapsnap podcast.mp3 -o ~/notes/episode.txt 首次运行会下载模型（约 80 MB）。之后每次运行都是离线。 — ## 支持的输入 任何 yt-dlp 能理解的 URL 都可以。主要来源： | 来源 | 示例 | |—————––|———————————————————| | YouTube | https://www.youtube.com/watch?v=... | | YouTube Shorts | https://www.youtube.com/shorts/... | | X / Twitter | https://x.com/user/status/.../video/1 | | TikTok | https://www.tiktok.com/@user/video/... | | Instagram Reels | https://www.instagram.com/reel/.../ | | 直接媒体 URL | https://example.com/clip.mp4 | 此外，任何 ffmpeg 能解码的本地文件也行：.mp3、.mp4、.m4a、.wav、.webm、.mov、.mkv、.aac、.opus、.ogg、.flac 等。 — ## 安装 ### 1. ffmpeg | 操作系统 | 命令 | |———|–––––––––––––––––––––––––––––| | macOS | brew install ffmpeg | | Linux | sudo apt install ffmpeg 或 sudo dnf install ffmpeg | | Windows | winget install ffmpeg 或 choco install ffmpeg | ### 2. yapsnap bash pip install . 安装完成后，你的 PATH 中会有两个等价命令：yapsnap（标准名称）和 transcribe（别名，以防你想不起原名）。 — ## 使用方法 bash # 本地文件 yapsnap path/to/audio.mp3 # 任意视频 URL yapsnap "https://www.youtube.com/watch?v=dQw4w9WgXcQ" # 句子级时间戳 yapsnap input.mp4 --timestamps # 自定义输出路径 yapsnap input.mp4 -o ./transcripts/talk.txt # 转录前不加速音频（默认 1.5 倍速，保持音调） yapsnap input.mp4 --speed 1.0 # 保留下载的音频（仅限 URL 输入） yapsnap "https://..." --keep-audio — ## 输出 纯文本，UTF-8 编码。默认位置为当前工作目录下的 ./transcripts/（若不存在则自动创建）；可通过 -o 参数覆盖。对于 URL 输入，文件名由视频 ID 派生（例如 dQw4w9WgXcQ_transcript.txt）。 不指定 --timestamps —— 一段识别出的文本段落： 欢迎来到节目。今天我们来聊聊转录。让我们开始吧。 指定 --timestamps —— 每行一个句子，并附上相对于原始音频的时间戳： [00:00] 欢迎来到节目。 [00:03] 今天我们来聊聊转录。 [00:08] 让我们开始吧。 即使使用 --speed 1.5 或更高倍速，时间戳仍以原始音频时间为准。 — ## 标志 | 标志 | 描述 | |—————––|–––––––––––––––––––––––––––––––––––| | -o, --output | 输出 .txt 路径。默认：./transcripts/_transcript.txt。 | | --timestamps | 输出 [MM:SS] 句子。 格式的行，而非单个段落。 | | --speed | 转录前的音频加速倍数，保持音调。默认 1.5。 | | --keep-audio | 保留下载的音频（仅限 URL 输入）。 | | --model | 覆盖模型目录。也可读取 KROKO_MODEL 环境变量。 | — ## 工作原理 1. 获取。 如果输入是 URL，yt-dlp 将最佳的纯音频流下载到临时目录。如果是本地路径，则跳过此步骤。 2. 解码。 ffmpeg 将媒体管道转换为 16 kHz 单声道 PCM。可选的 atempo 滤镜可加速音频而不提高音调。 3. 识别。 流式 Zipformer2 换能器（Kroko English, INT8 ONNX, ~80 MB）逐块处理 PCM。仅 CPU。贪婪解码。 4. 格式化。 默认为纯文本。使用 --timestamps 时，令牌时间戳根据 .!? 分组为句子，并缩放回原始音频时间。 没有帧被发送到任何地方。每次运行之间不保留任何状态，只保留缓存的模型。 — ## 模型与缓存 默认的 Kroko English 模型在首次运行时下载到： - macOS — ~/Library/Caches/yapsnap/ - Linux — $XDG_CACHE_HOME/yapsnap/（或 ~/.cache/yapsnap/） - Windows — %LOCALAPPDATA%\yapsnap\ 如需使用其他流式换能器（其他语言、更大的 Kroko 变体等），请通过 --model 指向一个包含 encoder(.int8).onnx、decoder(.int8).onnx、joiner(.int8).onnx 和 tokens.txt 的目录。或在环境中设置 KROKO_MODEL。 — ## 注意事项与限制 - 默认模型仅支持英文。对于其他语言，请通过 --model 提供匹配的 sherpa-onnx 流式换能器。 - --speed 1.5 可将转录时间缩短约三分之一，且准确性影响极小。如果想要更快，可以尝试 2.0；对于嘈杂、含糊或语速快的源，可设为 1.0。 - 某些社交媒体 URL 可能受地域限制或需要登录；yt-dlp 会明确提示。 - 这是一个流式模型，因此时间戳来自识别流中的令牌位置。它们对于导航足够准确，但不适用于字幕级别的对齐。 — ## 许可证 本项目采用 Apache-2.0 许可证。Kroko 模型按自有许可证分发——参见 。由 sherpa-onnx (https://github.com/k2-fsa/sherpa-onnx) 和 yt-dlp (https://github.com/yt-dlp/yt-dlp) 提供支持。