本地批量音视频转文本免费工具

video2text Windows 安装部署教程

找了下本地视频转文字的工具，都是各种限制，于是自己写了个自用的工具。如果你觉得有用，欢迎在 GitHub 上给个 Star！

• 完全免费，无时长限制，可批量转写视频和音频
• 基于 Whisper large-v3，高准确率
• 集成 Ollama / NVIDIA 大模型，自动生成摘要
• 图形界面 + 命令行，Windows 绿色版已打包
• 批量转写 + 总结，输出 TXT/SRT/VTT/JSON
• 完全开源：video2text GitHub 仓库

一、界面

主界面GUI

• 仅转写：Whisper提取语音，输出原文、字幕，不生成AI总结
• 仅总结：读取已有文稿，本地大模型生成摘要
• 转写总结：一键执行语音转写+AI摘要整套流程
• 左侧日志区：实时打印加载、报错、显存、任务耗时等运行日志
• 右上结果区
  • 文本内容：原文编辑，Ctrl+S保存、Ctrl+F查找，右键重转文件
  • 摘要页：AI产出文案，支持手动修改
• 右下提示词区
  • 自定义摘要提示词，可保存/删除模板；勾选Markdown自动格式化导出

工作流程简介

video2text 的处理流程分为两个阶段：

两个阶段可独立运行，也可以一键完成。

二、安装前的准备：系统要求与组件

在安装 video2text 这一本地视频转文字工具前，请先确认你的电脑满足以下条件。

2.1 最低配置与推荐配置

注意：AMD 显卡暂不支持 GPU 加速。CPU 模式可以运行会比较慢。

显卡信息参考（nvidia-smi 输出示例）：

以下为 nvidia-smi 输出示例，请以你电脑上的实际输出为准

• Driver Version: 572.83：NVIDIA 显卡驱动版本，video2text 依赖驱动提供的 CUDA 运行时。驱动版本过低可能导致 GPU 无法被识别。
• CUDA Version: 12.8：此驱动支持的最高 CUDA 版本。Whisper 和各类深度学习模型在 CUDA 12.x 下均可正常工作。

如果驱动版本和 CUDA 版本太低也可能无法使用 GPU 加速。建议先在命令行执行 nvidia-smi 确认显卡状态。

2.2 需要下载哪些文件

video2text 本地视频转文字工具的安装包体积较大，已上传至 123 云盘，内含以下组件：

请使用支持保留目录结构的解压工具（如 7-Zip 或 Bandizip）解压压缩包，确保文件夹结构完整。

下载地址：

合并下载:
[video2text] 包括video2text程序包,语音转文字模型,ollama安装包和本地模型qwen2.5:7b
链接：https://1840674647.share.123pan.cn/123pan/7CfNTd-SE7j3?pwd=viWa#
提取码：viWa

分开下载:
[video2text_portable_windows_*.zip] 程序包
链接：https://1840674647.share.123pan.cn/123pan/7CfNTd-4Ovdh?pwd=1234#
提取码：1234

[large-v3.zip] 语音转文字模型
链接：https://1840674647.share.123pan.cn/123pan/7CfNTd-nk8vh?pwd=1234#
提取码：1234

[ollama] 安装包和本地模型
链接：https://1840674647.share.123pan.cn/123pan/7CfNTd-DR8dh?pwd=1234#
提取码：1234

三、详细安装步骤

以下按顺序介绍 video2text 本地视频转文字工具的完整安装流程。

3.1 部署 video2text 本地视频转文字程序

第一步：解压程序包

将 video2text_portable_windows_*.zip 解压到你希望存放程序的位置，例如 D:\\video2text。该程序为绿色版，无需安装，不会写入注册表，解压即用。解压后目录结构如下：

D:\\video2text\\
├── video2text.exe ← 主程序
├── video2text.bat ← 启动脚本（自动设置工作目录）
├── config.ini ← 配置文件
├── .env ← 环境变量配置（存放 API Key，需手动创建）
├── docs ← 文档
├── assets\\ ← 图标资源
├── ffmpeg\\ ← 内置 FFmpeg
├── models\\ ← 模型目录（需要放入模型文件）
├── output\\ ← 输出目录（可选）
├── logs\\ ← 日志目录
└── README.md ← 说明文档

第二步：放入语音识别模型

将下载的 large-v3.zip 解压到程序目录下的 models 文件夹中。确保解压后模型文件位于 models\\large-v3\\ 子目录下，且包含以下核心文件：

D:\\video2text\\models\\
└── large-v3\\
├── config.json
├── model.bin ← 核心模型文件（约 2.9 GB）
├── preprocessor_config.json
├── tokenizer.json
└── vocabulary.json

放好模型后就可以使用视频转文本功能了。 需要使用其它模型的可以到 Hugging Face 上找，按照上面目录结构放好，再到配置文件中设置。

3.2 总结模型安装

video2text 支持两种总结服务：NVIDIA 在线模型和本地 Ollama 模型，按需选择其一即可。选择可以到软件设置>编辑配置>总结>单选框选择

3.2.1 NVIDIA 在线（使用在线 NVIDIA 模型总结）

需要先在 NVIDIA Build 注册账号并创建 API Key（目前大部分模型免费使用）。获取 Key 后在程序目录下新建一个名为 .env 的文本文件（注意文件名以点开头，无扩展名）。用记事本打开，按需添加以下内容：

# NVIDIA API Key（使用在线 NVIDIA 模型总结时需要）
NVIDIA_API_KEY=nvapi-你的API密钥

保存文件。程序启动时会自动读取该文件中的环境变量。API Key 也可以通过系统环境变量设置，效果相同（系统环境变量优先级高于 .env 文件）。NVIDIA 提供有很多免费的模型，如果网络访问有问题需要自行解决。

3.2.2 安装 Ollama（使用本地模型总结）

Ollama 是一个本地大语言模型运行框架，video2text 使用它来生成文本摘要。

本文以 qwen2.5:7b-instruct-q4_K_M 为例进行安装演示，该模型实际总结效果一般，推荐优先使用 NVIDIA 在线模型。

第一步：运行安装程序

双击 OllamaSetup.exe，按提示完成安装。安装过程无需手动配置，会自动完成。

第二步：解压预下载模型

找到下载好的 models.zip 文件，将其解压到 C:\\Users\\你的用户名\\.ollama 目录下。确保解压后的目录结构如下：

C:\\Users\\你的用户名\\.ollama\\
└── models\\
└── blobs\\ ← 模型数据文件
└── manifests\\ ← 模型清单文件

第三步：启动 Ollama 服务

方式一：在开始菜单找到 Ollama 图标并启动。 方式二：按 Win + R 打开运行窗口，输入 cmd，执行 ollama serve。

启动后系统托盘会出现 Ollama 图标，表示服务已就绪。

如果需要使用 Ollama 在线云服务模型（如 deepseek-v3.1:671b-cloud、gpt-oss:120b-cloud），需注册账号并在 .env 文件中配置 OLLAMA_API_KEY：

# Ollama API Key（使用带认证的 Ollama 服务时可选配置）
OLLAMA_API_KEY=你的API密钥

3.3 验证安装是否成功

完成以上所有步骤后，按顺序验证各组件是否正常工作：

四、使用教程

本节演示如何使用 video2text 本地视频转文字工具完成第一次转写和总结。

4.1 启动界面说明

双击 video2text.exe 即可打开图形界面（GUI）。也可以双击 video2text.bat 启动，它会自动将工作目录切换到程序所在位置。

程序启动后显示主窗口（默认 1200×800），从上到下分为以下区域：

4.2 选择一个视频，点击"转写总结"

选择视频文件

• 选择文件：点击「选择文件」按钮，在弹出的对话框中选择一个或多个视频文件（按住 Ctrl 或 Shift 多选）。选中多个文件后，输入框显示「已选择 N 个文件」。
• 选择文件夹：点击「选择文件夹」按钮，选择一个文件夹后程序会自动递归扫描其中所有支持格式的视频，并弹出选择对话框。对话框显示找到的所有视频文件，每个文件前有复选框，默认全部勾选。可通过「全选」/「取消全选」按钮批量操作，勾选需要处理的文件后点击「确定」。

支持的视频格式（共 17 种）： .mp4 .avi .mov .mkv .flv .wmv .webm .ts .mts .m4v .3gp .mpeg .mpg .vob .ogv .rm .rmvb

常用目录收藏

输入框和输出框均为可编辑下拉框，会显示已收藏的常用目录。通过菜单「设置 → 收藏」可以：

• 收藏当前输入/输出文件夹为常用目录
• 右键点击下拉列表中的目录条目可删除单个收藏
• 通过菜单可批量移除所有输入或输出目录收藏

设置输出目录

点击「浏览」按钮选择转写结果的保存位置。默认输出目录为程序所在目录下的 output 文件夹。如果是通过「选择文件夹」导入视频，程序会自动在 output 下创建以源文件夹命名的子目录。

执行转写总结

界面提供三种操作模式：

操作过程中的说明：

• 进度条会实时更新，显示「已完成数/总数」
• 日志面板会实时输出处理信息，包括每段视频的转写进度、耗时等
• 转写过程中可点击「暂停」按钮暂停，当前音频分段完成后再暂停；暂停后按钮变为「继续」，点击继续恢复处理
• 任务完成或失败时，日志面板会显示统计信息（成功/失败数量）
• 处理期间按钮状态会自动切换：转写/总结/文件选择按钮禁用，暂停按钮启用

4.3 查看结果（编辑、查找替换、全屏查看器、书签）

文件列表

操作完成后，右侧面板的文件列表会显示所有已处理的视频文件名。点击文件名可切换查看对应的转写文本和摘要。

转写文本（「文本内容」标签页）

• 显示该视频的完整转写文本（Consolas 等宽字体）
• 文本可编辑：可以直接修改转写结果中的错别字或格式问题
• Ctrl+S 保存：编辑后按 Ctrl+S 可将修改保存到文件
• Ctrl+F 查找替换：按 Ctrl+F 打开查找替换栏，支持关键词搜索（当前匹配项高亮为橙色，其余高亮为黄色）和替换/全部替换操作
• 编辑后的文本可通过右键菜单「重新总结」按钮重新生成摘要

摘要（「摘要」标签页）

• 显示 AI 生成的摘要内容
• 文本可编辑：摘要内容支持直接编辑修改
• Ctrl+S 保存：编辑后按 Ctrl+S 可将修改保存到文件
• Ctrl+F 查找替换：同样支持查找替换功能

右键菜单

在文件列表中右键点击某个文件，可选择：

• 重新转写：对选中的视频重新执行转写（需要原始视频文件仍在原路径）
• 重新总结：对选中的视频重新执行总结（需要已存在转写文件）。如果在「文本内容」标签页中编辑过文本，会使用编辑后的文本进行总结

全屏结果查看器

点击主界面的「全屏查看」按钮，可打开独立的结果查看窗口，提供更舒适的浏览体验。窗口默认 1400×900，支持独立的文件浏览、搜索、书签等功能。

全屏查看器详细功能（点击展开）

工具栏：

文件过滤：

左侧面板顶部有文件过滤输入框，输入关键词可实时过滤文件列表，便于在大量结果中快速定位。

搜索功能：

• 按 Ctrl+F 打开搜索栏，输入关键词后自动搜索（300ms 防抖，避免大文件卡顿）
• 按 F3 或 Ctrl+G 跳转到下一个匹配项
• 按 Shift+F3 或 Ctrl+Shift+G 跳转到上一个匹配项
• 按 Enter 跳转到下一个匹配项
• 按 Esc 关闭搜索栏（全屏状态下按两次 Esc 退出全屏）
• 搜索栏右侧显示匹配计数（如「3/15」）
• 当前匹配项高亮为橙色，其他匹配项高亮为黄色（深色主题下自动适配配色）

书签系统：

• 在转写文本或摘要中定位到需要标记的位置，按 Ctrl+B 添加书签
• 书签自动记录：文件名、内容类型（转写/摘要）、光标位置、上下文预览（前后各 30-70 字符）、时间戳
• 重复位置检测：同一文件同一位置不会重复添加书签
• 按 Ctrl+Shift+B 打开书签面板，包含以下功能：
  • 书签计数显示（如「共 10 个书签」或「显示 3 / 共 10 个书签」）
  • 关键词过滤：输入框实时过滤书签（搜索范围包括文件名、路径、类型、内容、备注）
  • 日期过滤：下拉框按添加日期筛选
  • 排序方式：按添加时间 / 按文件名 / 按内容类型
  • 双击书签条目跳转到对应文件和位置
  • 右键菜单：跳转到位置、复制书签信息、编辑备注、全选、反选、删除选中
  • 底部按钮：删除、批量删除、清空
  • 失效检测：自动检测已删除文件的书签，提示清理
  • 跨目录导航：如果书签对应的文件不在当前目录中，会提示切换目录
• 书签数据跨会话自动保存（存储在 bookmarks.json）

Markdown 渲染：

摘要标签页使用 Markdown 渲染显示，支持：标题、表格、代码块（带语法高亮）、引用块、有序/无序列表（含嵌套）、链接、加粗/斜体等格式。自动过滤不安全的 HTML 标签（<script>、<style>、<iframe>）。

文件夹模式：

• 按 Ctrl+D 切换到文件夹模式，左侧文件列表变为树形结构
• 按子目录分层展示，目录节点加粗并显示子视频数量（如 subfolder (3)）
• 子文件夹默认折叠，点击展开

窗口状态持久化：

窗口大小、工具栏位置、分栏比例等状态会自动保存到 result_viewer.ini，下次打开时自动恢复。

五、进阶技巧：自定义提示词与命令行使用

5.1 自定义提示词模板

主界面底部的「提示词配置」区域用于自定义总结时使用的提示词。

使用方法：

模板管理：

• 保存模板：输入提示词后，点击「保存提示词」按钮，在弹出的对话框中输入模板名称即可保存。
• 加载模板：从下拉框中选择已保存的模板名称，提示词会自动填充到文本框。
• 删除模板：选择要删除的模板，点击「删除提示词」并确认。
• 程序会自动记住上次使用的模板，下次启动时自动恢复。
• 模板数据存储在 prompts.json 文件中，支持原子写入防止数据损坏。

提示词构建流程： 程序发送给 AI 模型的完整提示由三部分组成：自定义提示词（或默认系统提示）+ Markdown 格式指令 + 转写文本。Markdown 格式指令要求模型以「要点标题 + 内容」的结构输出，确保摘要格式清晰统一。

5.2 配置文件详解（config.ini）

程序目录下的 config.ini 可直接用文本编辑器修改，完整配置如下：

[app]
log_level = INFO # 日志级别: DEBUG/INFO/WARNING/ERROR

[transcription]
model_path = large-v3 # 转写模型名称或路径
device = cuda # 设备: auto/cpu/cuda/mps
language = zh # 语言: auto/zh/en/ja/…
beam_size = 5 # beam search 大小
best_of = 5 # 候选数量
temperature = 0.0 # 温度参数
compute_type = float16 # 计算类型: float16/int8/float32/int8_float16
num_workers = 1 # 工作线程数
vad_filter = True # VAD 过滤
condition_on_previous_text = True # 是否基于前文进行转写（提高连贯性）
word_timestamps = False # 是否生成单词级时间戳

[summarization]
provider = nvidia # 服务商: ollama/nvidia/zhipu
ollama_url = http://127.0.0.1:11434 # Ollama 服务地址
model_name = qwen2.5:7b-instruct-q4_K_M # 模型名称
max_length = 10000 # 最大生成长度
temperature = 0.7 # 温度参数
timeout = 600 # 请求超时时间（秒）
custom_prompt = # 自定义提示词
nvidia_api_url = https://integrate.api.nvidia.com/v1/chat/completions
nvidia_model = openai/gpt-oss-120b
nvidia_max_tokens = 100000
nvidia_temperature = 1.0
nvidia_top_p = 1.0
nvidia_frequency_penalty = 0.0
nvidia_presence_penalty = 0.0
nvidia_mode = multi # NVIDIA 模式: single(单线程)/multi(多线程并发)
nvidia_thread_count = 5 # 多线程模式下的并发线程数
nvidia_stream = false # 是否启用流式输出（仅单线程模式有效）
zhipu_model = glm-4.7 # 智谱模型名称
zhipu_max_tokens = 65536 # 智谱最大生成长度
zhipu_temperature = 1.0 # 智谱温度参数
zhipu_mode = single # 智谱模式: single(单线程)/multi(多线程并发)
zhipu_stream = true # 智谱是否启用流式输出（仅单线程模式有效）
zhipu_thread_count = 5 # 智谱多线程模式下的并发线程数

[preprocessing]
audio_sample_rate = 16000 # 音频采样率
audio_channels = 1 # 音频声道数
max_chunk_duration = 300 # 最大切片时长（秒）
supported_video_formats = .mp4,.avi,.mov,.mkv,.flv,.wmv,.webm,.ts,.mts,.m4v,.3gp,.mpeg,.mpg,.vob,.ogv,.rm,.rmvb
supported_audio_formats = .mp3,.wav,.flac,.aac,.ogg,.m4a,.wma # 支持的音频格式

[output]
output_dir = output # 默认输出目录
transcript_format = txt # 转写格式（可逗号分隔: txt,srt,vtt,json）
summary_format = md # 摘要格式: txt/md
mirror_enabled = False # 是否启用镜像输出（同时保存到源文件目录）
mirror_depth = 1 # 镜像输出时保留的目录层级数

[network]
proxy = # 代理地址（用于 HuggingFace 模型下载）

[paths]
models_dir = models # 模型目录
logs_dir = logs # 日志目录
video_dir = video # 视频目录

[text_processing]
max_gap = 2.0 # 文本合并的最大间隔（秒）
min_length = 50 # 最小文本长度
filler_words = 嗯,啊,呃,嗯嗯,啊啊 # 需要过滤的填充词

也可通过环境变量 VIDEO2TEXT_CONFIG 指定自定义配置文件路径。

5.3 命令行使用（CLI）

除图形界面外，也可在命令行中直接使用。在程序所在目录打开终端，使用 video2text.exe 加子命令。不带参数运行时自动启动图形界面。

转写命令：

.\\video2text.exe transcribe <视频文件路径> [选项]

示例：

.\\video2text.exe transcribe "D:\\videos\\lecture.mp4" –o output

总结命令：

.\\video2text.exe summarize <转写文本文件路径> [选项]

示例：

.\\video2text.exe summarize output\\lecture.txt –o output

完整流程命令：

.\\video2text.exe run-pipeline <视频文件路径> [选项]

示例：

.\\video2text.exe run-pipeline "D:\\videos\\meeting.mp4" –o output

所有转写参数（模型、语言、设备、温度等）和总结参数（模型、温度、最大长度等）均通过程序目录下的 config.ini 配置文件设置，详见 4.2 配置文件详解。命令行不再支持直接指定这些参数。

其他命令：

# 查看版本
.\\video2text.exe version

# 查看所有命令及用法
.\\video2text.exe —help
.\\video2text.exe help

5.4 输出文件说明

文件命名：

转写格式：

可在 config.ini 中设置 transcript_format = txt,srt,json 同时输出多种格式，用逗号分隔。

摘要格式：

输出校验： 所有输出文件在写入后会自动校验：SRT 检查序号连续性和时间戳格式、VTT 检查头部和时间戳、JSON 检查必需字段、TXT 检查非空、所有格式检查 UTF-8 编码有效性。

5.5 高级功能

断点续传： 对于长视频（超过 300 秒，可通过 config.ini 的 max_chunk_duration 调整），程序会自动将音频切片分段转写。每完成一个切片会保存检查点到 <输出目录>/.checkpoint/ 目录，如果任务中断（如程序崩溃、手动关闭），下次重新运行相同视频时会自动跳过已完成的切片，从中断处继续。检查点文件使用原子写入（临时文件 + 替换）防止损坏，任务全部完成后自动清理检查点。

暂停/继续： 转写过程中可随时点击「暂停」按钮，当前音频分段完成后再暂停，暂停后按钮变为「继续」。暂停期间不会丢失已完成的进度。

模型自动下载： 首次运行时如果 models/large-v3/ 目录下没有模型文件（或文件不完整），程序会自动从 HuggingFace 下载（约 3GB）。下载支持代理设置（在 config.ini 的 [network] proxy 中配置）、失败自动重试（最多 3 次，指数退避）、下载进度显示在日志面板。

GPU 显存管理： 转写模型加载到 GPU 后会缓存复用（按模型路径+设备+计算类型+线程数作为缓存键），避免重复加载。关闭程序时会自动卸载模型并释放 GPU 显存。如果 GPU 显存不足（CUDA OOM），程序会自动降级：先在同一设备上尝试不同计算类型（float16 → int8 → float32 → int8_float16），如果仍然失败则回退到 CPU 模式（cpu + int8 → cpu + float32）。每次降级前会清理 GPU 缓存。

NVIDIA 多线程总结： 当 nvidia_mode = multi 时，程序使用线程池并发处理多个视频的总结请求（线程数由 nvidia_thread_count 控制），并内置速率限制器（请求间隔最少 1.5 秒）避免触发 API 限流。多线程模式下强制使用非流式输出。

日志系统： 程序运行日志保存在 logs/ 目录下：

失败的任务会额外记录到 logs/fail_log.log，包含时间戳、操作模式、视频名称和错误信息。程序崩溃时会写入 logs/crash.log，未捕获的线程异常会写入 logs/thread_error.log。