核心功能
Douyin Transcribe 是一款针对抖音（TikTok 中国版）视频的语音转文字工具，通过浏览器自动化+Whisper AI模型实现视频内容提取。
显著优点
1. 高准确率转录：基于 OpenAI Whisper 开源模型，small 模型在中文场景下识别准确率优秀，支持中英双语自动切换
2. 完整的反爬解决方案：针对抖音严格的反爬虫机制，提供了浏览器渲染→提取CDN直链→Referer伪造的完整链路
3. 跨平台支持：覆盖 Windows/macOS/Linux 三大桌面系统，提供对应平台的命令行指令
4. 灵活输出格式：除纯文本外，自动生成 SRT 字幕文件和 JSON 时间戳数据，满足字幕制作、内容分析等多元需求
5. 模型可降级：从 tiny 到 medium 四级模型可选，低端设备可选用轻量方案
潜在缺点与局限性
1. 操作门槛较高：必须配合浏览器手动执行 JavaScript，无法纯自动化完成
2. 实时性受限：CDN URL 约2小时过期，超时需重新提取；5分钟视频转录耗时约3分钟（CPU）
3. 硬件资源消耗：small 模型需 466MB 显存/内存，medium 模型达 1.5GB，首次下载模型耗时较长
4. 依赖外部工具链：需同时安装 ffmpeg、Python、whisper、curl，环境配置复杂
5. 仅限抖音平台：明确不支持 YouTube、Bilibili 等其他平台
适合人群
- 自媒体运营者：批量提取抖音口播文案进行二次创作
- 研究人员：分析短视频舆情、整理访谈内容
- 听障人士：获取视频文字信息
- 字幕组成员：快速生成字幕时间轴草稿
常规风险
- 版权合规：提取他人视频内容需注意著作权，建议仅用于个人学习或已获授权场景
- 平台风控：频繁请求可能导致 IP 限流，建议控制调用频率
- 隐私泄露：处理含个人信息视频时需脱敏处理
- 模型偏见：Whisper 在方言、专业术语、嘈杂环境场景下识别率下降
技术原理概要
通过模拟浏览器环境获取真实视频流地址，规避抖音的 URL 签名验证，最终调用本地 Whisper 模型完成离线语音识别，全程无需上传敏感数据至第三方。