mcpField
D
douyin-transcribe

douyin-transcribe

github.com/chubbyguanCreative & media1.3k38 installsUpdated 2w ago
Repository

About douyin-transcribe

douyin-transcribe is a Skill for turning Douyin video audio into text. It uses SenseVoice-Small and saves transcripts as Markdown with frontmatter.

Key features

  1. 01Download audio from Douyin videos
  2. 02Transcribe with SenseVoice-Small
  3. 03Create Markdown with frontmatter
  4. 04Fall back to yt-dlp when needed

Use cases

  1. 01Save a Douyin video as a transcript
  2. 02Organize transcriptions in Markdown

Install

Copy the command and run it in a terminal.

$npx skills add https://github.com/chubbyguan/chubbyskills --skill douyin-transcribe

After installing, type/douyin-transcribein Claude Code to confirm it loaded.

Bundled files

References and scripts installed along with SKILL.md.

requirements.txt
scripts/
download_douyin_audio.py
transcribe.py

Details

From the project README

抖音视频转录 Skill

将抖音视频下载音频，用 SenseVoice-Small 转录为文字，存为 Markdown 文件。

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
# Ubuntu: sudo apt install ffmpeg

使用方法

python scripts/transcribe.py "https://v.douyin.com/xxxxx"

流程（3 步）

Step 1: 从抖音下载音频

使用 iesdouyin.com/share/video/<id> + 移动端 UA 获取 window._ROUTER_DATA，提取 CDN 下载链接。

关键点：

  • ✅ iesdouyin.com/share/video/ 而非 douyin.com/video/
  • ✅ 移动端 UA 必须用 iPhone
  • ✅ playwm → play 去水印
  • ⚠️ 首选无 cookie 直采；若分享页返回蜘蛛壳（风控），自动回退 yt-dlp + YTDLP_COOKIES_FROM_BROWSER（浏览器打开过 douyin.com 即可，无需登录）
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。

性能数据

视频时长模型加载转录耗时总耗时
10 min~30s~25s~1 min
30 min~30s~75s~2 min
1h 22min~40s~180s~4 min

已知限制

  • SenseVoice-Small 模型首次下载约 893MB（从 ModelScope，国内快）
  • CPU 推理质量略低于 GPU，但中文仍优于 Whisper-small
  • VAD 自动切分可能把长停顿处切成两段
  • 不支持说话人分离
  • yt-dlp 不可用（需要 cookie），必须走 iesdouyin 路线

参考项目

⚖️ 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。

Comments

Markdown supported