万象成文 · 怎么做的
贴一个链接 拿回一篇文字
视频、
关键结果
- 47 分钟
视频 出 文字 （实 测） - 25 秒
- 超
时 （三 轮 180 次） - 0 次
- 普通 CPU 转
写 1 小时 音 频 - 约 2 分钟
- 次
安装 包 下载 - 15
GitHub 数据
那天晚上， 我按下了 Win+R
我
我想，
代码
后来
最快的转写， 是不用转写
能读
先给你文字， 视频随后就到
以前
原文，由你决定怎么改
AI 校
技术细节边界、架构、取舍、历程、验证
边界
做
- 音
频、 视频 转 文字 - 图
文 链 接 提取 正文 和 图片 - 预
览 并 下载 原 视频、 原音 频、 图片 和 文本
不做
- 账
号 体系 - 支付、
套餐、 积分 - 多
工作 台、 Agent 后台 - 平台
化 配置 中心
架构
桌面
外壳 - Tauri 2
（Rust） + React - 首次
运行 只 准备 必要 组 件， 约 222 MB - 运行
包 校 验 SHA -256
- Tauri 2
本地
服务 - FastAPI，
随 应用 启动 - 只
监听 随机 的 本 机 端 口 - 每次
启动 生成 短期 令牌 - SSE 实
时 推送 进度
- FastAPI，
取
文字 - 平台
字幕 → 页 面 正文 → 转 写 - 命中
字幕 或 正文， 就 跳 过 转 写 - 视频
先 下 音 轨， 马上 出 文字； 原 视频 在 后台 补 齐
- 平台
转
写 - 默认 SenseVoice，
CPU 即可 - 有 NVIDIA 显
卡 时 可以 走 CUDA - CPU 版
和 显 卡 版 在 不同 进程 里， 互不 干扰
- 默认 SenseVoice，
只有 Windows 桌面
取舍
默认
用 SenseVoice 原因在 CPU 上，
SenseVoice 的 实 时 率 约 0.035 （1 小时 音 频 约 2 分钟 转完）， Faster - Whisper medium 约 2.01。 同 一批 72 段 人工 标 注 的 语音、 都在 显 卡 上 跑 3 轮： 普通 话 错误 率 SenseVoice 12.75%、 Whisper medium 37.50%， 用 时 23 秒 对 138 秒 放弃
的 默认方案 上 更大 的 模型 能读
字幕 和 正文， 就不 转 写 原因最快
的 转 写， 是 不用 转 写 放弃
的 所有方案 内容 统一 走 转 写 先
出 文字， 原 视频 后台 补 齐 原因旧
的 4 次 超 时 都 卡 在 转 写 前 下载 完整 原 视频 （样本 260 MB）； 改 完 同 一批 链 接 三 轮 0 次 超 时 放弃
的 等方案 原 视频 下完 再 转 写 后台
补 的 原 视频 仍 取 原画 质 原因只
取 分段 流 会 更 快， 但 同 一段 视频 只有 854 × 462， 原 视频 是 1280 × 692 放弃
的 用方案 清晰度 换 速度 小红书
直接 读 页 面 里 的 结构 化 数据 原因不再
传 整 页 HTML： 传输 量 从 521 KB 降到 2 KB， 总 耗 时 少 30–40% 放弃
的 先方案 抓 整 页， 再 解析 只做
三 件 事 原因账
号、 支付、 工作 台， 会 把 一个 工具 变成 一个 平台 放弃
的 做成方案 平台
历程
- 第一步先
在 命令 行 里 跑起来： 装 好 FFmpeg， 下载 转 写 模型， 直到 第一次 转 出 文字 - 第二步给
它 一个 好用 的 界面， 参照 苹果 的 设计 来 做 - 第三步小红书
等 平台 的 图片 和 文字 也能 抓， 下载 原 图 原 视频， 不 带 平台 水印 - 之后一遍
遍地 改， 直到 稳定 可用 - 2026.10.23v2.3.0：
AI 校 对、 显 卡 加速、 处理 时 显示 还 要 多久； 视频 先 出 文字， 原 视频 后台 补 齐
验证
- 2026-08-11 用
真实 样本 跑 了 一轮 线上 冒烟测试： B 站、 小宇宙、 抖 音、 公众号 通过； 小红书 一篇 15 张 图、 14 个 Live 片段 的 图 文 通过。 - 2026-10-21：
5 个 平台、 60 条 链 接， 各 跑 3 轮。 180 次 里 137 次 完整 拿到 结果， 4 次 超 时， 所以 2.3 那时 没有 发布。 - 2026-10-22，
改 完 后 用 同 一批 链 接 重 跑 3 轮： 141 次 完整， 0 次 超 时。 B 站 57/57、 公众号 30/30、 小宇宙 27/30、 抖 音 24/30、 小红书 3/33； 失败 全部 留在 分母 里。 - 准确
率： 在 公开 语 料 ASCEND （香港 的 中英 双 语 对话， 人工 标 注） 上， 显 卡 版 SenseVoice 的 普通 话 字 错误 率 9.31%、 英文 词 错误 率 23.34%、 中英 混 说 15.52% （5,735 段， 各 跑 3 轮）。 - v2.3.0 的
安装 包 先 在 他的 电脑 上、 再 在 一台 全新 的 Windows 上 验收； 发布 的 就是 验收 过的 同 一个 文件， 从 它的 网站 下载 后 核对 SHA -256 一致。 - 每
个 平台 的 状态 都 公开 写在 说明 页， 标明 最近 一次 验证 的 日期， 不 当作 永久 承诺。 - 安装
包、 运行 包 和 发布 产物 都 提供 SHA -256； GitHub Actions 同时 生成 SBOM 和 构 建 来源 证明。
还差什么
- 安装
包 还 没有 代码签名， Windows 会 弹出 安全提示。 - 三
轮 里 还有 39 次 没拿到： 10 条 不 带 分享 参数 的 旧 小红书 链 接 读 不到； 2 条 抖 音 作品 分享 接口 返回 空， 原因 还 没 查清， 不能 说 登录 就 能 解决； 1 期 小宇宙 读 不到 内容。 - 英文
的 错误 率 还 偏高。 测 评 语 料 是 香港 的 对话， 代表 不了 方言、 背景 音乐 和 所有 长 视频； 不用显卡 的 版本 用 的是 另一 套 权 重， 还 没 做 同样 规模 的 测 评。 - 只有 Windows 版。