核心用法
douyin-transcribe 是一套面向抖音（Douyin/TikTok 中国版）视频的完整转录解决方案，通过浏览器 DOM 提取、ffmpeg 音频处理和 Whisper ASR 模型，实现从视频链接到结构化文本的全自动 workflow。
标准工作流程：
1. 输入识别 — 自动区分视频链接（/video/）、图文笔记（/note/）、本地文件或纯文本
2. 视频获取 — 解析短链 → 浏览器打开 → 通过 Performance API 提取 CDN 直链 → curl 下载（需 Referer 头防 403）
3. 音频提取 — ffmpeg 转码为 16kHz 单声道 PCM，支持 MP4/DASH 格式合并
4. 语音转写 — 调用 Docker 化的 Whisper 服务（推荐 small 模型，466MB，3 分钟处理 5 分钟视频）或本地 Python 运行
5. 内容分析 — 自动纠错、分段、提取要点、生成标签
6. 输出保存 — Markdown 格式，含标题、作者、摘要、正文、要点、标签
技术亮点：采用浏览器 DOM 提取而非逆向破解，规避反爬风险；模块化架构支持单独调用 fetcher/transcriber/analyzer。
显著优点
- 全流程自动化：从短链到结构化文档，无需手动下载 App
- 多格式兼容：视频、图文笔记、本地文件统一处理
- 模型可配置：tiny/base/small/medium 四级精度，平衡速度与准确率
- Docker 化部署：一键启动 Whisper 服务，隔离依赖环境
- 合规提取：通过浏览器 Performance API 获取资源，非协议破解
潜在局限
- 时效性依赖：CDN 直链易过期，失败需重新抓取
- 平台限制：仅支持抖音，其他平台需 yt-dlp 扩展
- 性能瓶颈：CPU 转录 10 分钟视频需 15-20 分钟，无 GPU 加速方案
- 图文笔记：仅快照提取，无 OCR 文字识别能力
- 直播不支持：仅限点播视频
适合人群
- 播客/知识类视频创作者的内容归档
- 研究人员采集短视频口述资料
- 自媒体运营者批量整理竞品账号内容
- 需要中文语音转写且重视隐私（本地部署）的用户
常规风险
- 反爬对抗：抖音 CDN 可能封禁 IP，建议控制请求频率
- 版权合规：转录内容仅限个人学习研究，禁止商用分发
- 模型幻觉：Whisper 可能产生幻听字幕，需人工校对关键信息
- 浏览器依赖：需 OpenClaw 浏览器 profile，环境配置较复杂
- 存储占用：medium 模型 1.5GB，长视频临时文件可能达数 GB