B 站视频转录 Skill

字幕优先：先尝试抓取官方/自动字幕（秒级、免 GPU、免 funasr）；抓不到再下载音频用 SenseVoice-Small 转录，存为 Markdown 文件。加 --no-subtitle 可强制走音频转录。

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 yt-dlp
# Ubuntu: sudo apt install ffmpeg && pip install yt-dlp

使用方法

python scripts/transcribe.py "https://www.bilibili.com/video/BV1rrQGBeEen/"
python scripts/transcribe.py "BV1rrQGBeEen"
python scripts/transcribe.py "BV1rrQGBeEen" --no-subtitle   # 强制音频转录

# 批量处理：每行一个 B站 URL 或 BV 号
python scripts/batch_transcribe.py ../../examples/bilibili-urls.txt -o ./output

流程

Step 1: yt-dlp 下载音频

B 站有反爬机制，需要加 User-Agent 和 Referer：

yt-dlp --extract-audio --audio-format mp3 --audio-quality 128K \
  --user-agent "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) ..." \
  --referer "https://www.bilibili.com" \
  "https://www.bilibili.com/video/BV1rrQGBeEen/"

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。

批量模式

scripts/batch_transcribe.py 会逐条调用单篇转录脚本，默认单条失败后继续处理下一条；需要严格模式时加 --stop-on-error。

性能数据

视频时长	转录耗时
5 min	~10s
10 min	~20s
30 min	~60s

已知限制

• B 站 4K/1080P60 需要大会员，普通用户可下载 720P 以下
• SenseVoice-Small 模型首次下载约 893MB
• 不支持说话人分离
• 合集视频会下载第一个分 P

参考项目

• yt-dlp/yt-dlp - 视频下载工具
• FunAudioLLM/SenseVoice - 语音识别模型

⚖️ 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。