Video Analyzer

🎬 基于 Qwen3-ASR-1.7B 的视频/音频语音转录工具，转录零 token 消耗。支持本地视频/音频文件及B站链接输入，自动进行语音识别、语义分段、标点补充，并生成带小标题的段落式 Markdown 文字稿。支持多语言翻译，需 CUDA GPU。

功能特性

能力	说明
🎬 本地文件输入	支持视频（mp4/mkv/avi/webm）和音频（mp3/wav/flac/aac/m4a/ogg）文件
🔗 B站链接输入	自动通过浏览器获取B站视频音频流，处理防盗链下载
🎵 多音轨选择	多音轨文件列出轨道信息供用户选择
✂️ 音频分片	超过 90 秒的音频自动按 90 秒切分
🎤 语音转录	使用 Qwen3-ASR-1.7B，零 token 消耗，需 CUDA GPU
📝 段落式排版	依据语义分段、补充标点、生成小标题和全文总结
🌐 多语言翻译	非中文内容自动翻译为中文并置于原文之前
✅ 环境预检	自动检测 ffmpeg、Python 依赖、模型文件完整性及显存

目录结构

video-analyzer/
├── LICENSE                          ← GPL 3.0 许可证
├── README.md                        ← 本文件
├── .gitignore                       ← Git 忽略规则
│
├── video-analyzer-v1/               ← 早期版本
├── video-analyzer-v2/               ← 中期版本
├── video-analyzer-v3/               ← 稳定版本
│
└── video-analyzer-v3.5/             ← 最新版本（推荐使用）
    ├── README.md                    ← 版本说明
    ├── SKILL.md                     ← Agent 配置文件
    ├── dependencies/                ← 运行依赖（需自行下载）
    │   ├── ffmpeg/
    │   │   ├── ffmpeg.exe
    │   │   └── ffprobe.exe
    │   └── Qwen3-ASR-1.7B/         ← 语音识别模型（~4.7GB）
    ├── output/                      ← 文字稿输出目录
    └── sessions/                    ← 处理过程文件目录

环境要求

• 操作系统：Windows 10/11
• Python：3.8+
• GPU：支持 CUDA 的 NVIDIA 显卡，显存 ≥ 6GB
• 依赖：ffmpeg、Qwen3-ASR-1.7B 模型

安装

1. 克隆仓库

git clone https://github.com/LazyHashBrown/video-analyzer.git
cd video-analyzer

2. 安装 Python 依赖

pip install qwen-asr

3. 下载 ffmpeg

1. 访问 https://www.gyan.dev/ffmpeg/builds/
2. 下载 ffmpeg-release-essentials.7z
3. 解压后将 bin/ 目录下的 ffmpeg.exe 和 ffprobe.exe 放入：

   video-analyzer-v3.5/dependencies/ffmpeg/
   

4. 下载 Qwen3-ASR-1.7B 模型

方式一：Hugging Face（推荐）

访问 https://huggingface.co/Qwen/Qwen3-ASR-1.7B/tree/main 下载以下 10 个文件到 video-analyzer-v3.5/dependencies/Qwen3-ASR-1.7B/：

• config.json
• generation_config.json
• preprocessor_config.json
• tokenizer_config.json
• chat_template.json
• merges.txt
• vocab.json
• model.safetensors.index.json
• model-00001-of-00002.safetensors
• model-00002-of-00002.safetensors

方式二：ModelScope（国内用户）

pip install modelscope
modelscope download --model Qwen/Qwen3-ASR-1.7B --local_dir ./video-analyzer-v3.5/dependencies/Qwen3-ASR-1.7B

使用方法

作为 Agent Skill 使用

将 video-analyzer-v3.5/SKILL.md 安装到你的 AI Agent 的 skills 目录，然后在对话中输入：

• 视频转文字稿 <文件路径>
• 音频转文字稿 <文件路径>
• 视频转文字稿 <B站链接>

命令行使用（待开发）

# 即将支持
python video_analyzer.py <input_file>

输出示例

转录完成后，会在 video-analyzer-v3.5/output/ 目录生成 Markdown 格式的文字稿，包含：

• 中文翻译（如原视频为外语）
• 按语义分段的转录文本
• 补充的标点符号
• 总结性小标题
• 全文总结

常见问题

Q: 提示显存不足怎么办？

A: Qwen3-ASR-1.7B 需要约 6GB 显存（bfloat16）。请确保你的显卡有足够显存，或关闭其他占用显存的程序。

Q: B站视频下载失败怎么办？

A: 可能是防盗链拦截或流地址过期。请重新尝试，或检查网络连接。

Q: 转录结果不准确怎么办？

A: ASR 准确率受音频质量影响。建议使用清晰的音频源，避免背景噪音过大的视频。

版本历史

• v3.5 - 最新版本，支持 B站链接、多音轨选择、环境预检
• v3 - 稳定版本，基础功能完善
• v2 - 中期版本
• v1 - 早期原型

许可证

本项目采用 GNU General Public License v3.0 许可证。

致谢

• Qwen3-ASR - 语音识别模型
• ffmpeg - 音视频处理工具

作者

LazyHashBrown - GitHub

贡献

欢迎提交 Issue 和 Pull Request！

1. Fork 本仓库
2. 创建你的特性分支 (git checkout -b feature/AmazingFeature)
3. 提交你的改动 (git commit -m 'Add some AmazingFeature')
4. 推送到分支 (git push origin feature/AmazingFeature)
5. 打开一个 Pull Request