audio-to-text-cli 1.0.1

音频下载 + 语音转文字 CLI 工具，支持 B站/YouTube 等视频平台及直链音频，中文简繁体可选

audio-to-text-cli

音频下载 + 语音转文字命令行工具。

给一个链接，自动下载音频并转录为文字。支持多语言自动识别，中文支持简繁体切换。

支持的音频来源

来源	示例
Bilibili	https://www.bilibili.com/video/BVxxxxx
YouTube	https://www.youtube.com/watch?v=xxxxx
抖音	https://www.douyin.com/video/xxxxx
TikTok	https://www.tiktok.com/@user/video/xxxxx
Twitter/X	https://x.com/user/status/xxxxx
Vimeo	https://vimeo.com/xxxxx
直链音频	https://example.com/audio.mp3
其他	任何 yt-dlp 支持的平台

系统要求

• Python 3.10+（唯一前置条件）
• 无需单独安装 FFmpeg — 依赖包自带
• 无需 C/C++ 编译器 — 所有依赖均有预编译包

支持的操作系统

平台	架构	支持
Windows	x86-64	✅
Linux	x86-64	✅
Linux	ARM64	✅
macOS	Intel (x86-64)	✅
macOS	Apple Silicon (M系列)	✅

GPU 加速（可选）

默认使用 CPU 运行，无需额外配置。如需 GPU 加速，需安装：

• NVIDIA CUDA 12
• cuDNN 9 for CUDA 12

安装

从 PyPI 安装：

pip install audio-to-text-cli

安装后如果提示 audio-to-text 命令找不到，可以用 python -m audio_to_text.cli 代替，或将 Python Scripts 目录加入系统 PATH。

或从源码安装：

git clone https://github.com/afuaide/audio-to-text-cli.git
cd audio-to-text-cli
pip install -e .

使用方法

安装后会注册 audio-to-text 命令：

# 基本用法 — 自动检测语言，中文默认输出简体
audio-to-text "https://www.bilibili.com/video/BV1wqLV6JEga/"

# 用较小的模型（更快，精度稍低）
audio-to-text -m small "https://www.youtube.com/watch?v=xxxxx"

# 指定语言（跳过自动检测，更快）
audio-to-text -l zh "URL"

# 输出到文件
audio-to-text -o result.txt "URL"

# 中文输出繁体
audio-to-text -c traditional "URL"

# 中文不做简繁转换，保留模型原始输出
audio-to-text -c raw "URL"

# 保留下载的音频文件
audio-to-text --keep-audio "URL"

# 指定音频下载目录
audio-to-text -d ./downloads "URL"

也可以通过 python -m 运行：

python -m audio_to_text.cli "URL"

参数说明

参数	说明	默认值
url	音频URL或视频平台链接	必填
-m, --model	Whisper 模型大小: tiny / base / small / medium / large-v3	large-v3
-l, --language	语言代码 (zh 中文, en 英语, ja 日语, ko 韩语 等)	自动检测
-c, --chinese	中文输出格式: simplified(简体) / traditional(繁体) / raw(不转换)	simplified
-o, --output	转录结果保存路径	终端输出
-d, --download-dir	音频下载目录	临时目录
--keep-audio	保留下载的音频文件	否

模型选择

模型	大小	速度	精度	建议场景
tiny	~75MB	极快	一般	快速预览
base	~150MB	很快	尚可	日常使用
small	~500MB	快	较好	推荐起步
medium	~1.5GB	中等	很好	精度优先
large-v3	~3GB	较慢	最佳	追求最高精度

首次使用某个模型会自动从 HuggingFace 下载，之后会缓存到本地。

依赖说明

依赖	作用
yt-dlp	从视频平台提取音频
faster-whisper	语音转文字引擎（本地离线运行）
requests	下载直链音频
imageio-ffmpeg	自带 ffmpeg，用于音频格式转换
opencc-python-reimplemented	中文简繁体转换

所有依赖通过 pip install 安装，无需额外安装系统软件。