🎙️ 声文智汇 - SonicScribe

Caution

⚠ 项目已迁移

感谢您的关注！本项目已迁移至新仓库：👉 ShengWen - 声文智汇

新仓库包含完整的源码、最新功能和持续更新。请移步新仓库获取最新版本。

注：当前仓库仅作为历史存档和展示，不再更新

🎙️ 声文智汇 - SonicScribe

界面展示（PC宽屏 + 手机窄屏）

声闻智汇 - SonicScribe 是一个一站式的、支持多输入源的、可管理多总结任务的视频转录和总结系统。支持 Bilibili 和本地音视频文件，简单操作下即可将原媒体文件转换为具有原文文案风格的、带原文时间戳的转录文本和智能内容分析。

如果你需要：

📝 保留原文风味细节的总结
🌟 AI 驱动的内容洞察
🌍 将一整个英文教学视频总结成中文文章
📚 备考视频又多又长，想快速了解知识点
……

这就是你要找的工具。

核心特性

1. 智能总结引擎 🤖

内置智能总结工作流，在信息密度、可读性和结构化表达之间做平衡，兼顾日常可用与长内容深度处理。

标准模式（当前已集成）：基于精心调试的提示词与总结流程，适合绝大多数视频场景。
Agent 增强模式（已跑通，调试中）：面向更长内容，通过智能上下文提升细节保真和结构完整性，解决处理长文本时由于模型上下文有限、注意力涣散而导致原文细节丢失的问题。
- ⬇️点击查看对比（均由 Gemini 2.5 Pro + tiny 转录模型生成）

🙂标准模式总结结果 vs 😄Agent 增强模式总结结果

（一键总结至《如何像高级工程师一样设计API？REST、GraphQL、认证与安全核心要点》(时长01:23:21)）

后者通常在超长内容上细节更丰富，更像是一篇详实的完整文章；但对大多数日常视频，标准模式已足够好用。

注： Agent 增强模式尚在调试改进中，请关注项目后续更新动态。 对于标准模式，根据模型上下文能力不同，建议一次总结的视频长度不超过 40min - 1h

2. 丰富输出 📊

时间戳、Mermaid 图表、Markdown 一键成图导出

成图工作台：支持先预览再导出，避免反复试错
- 可调输出宽度、页面比例（如 9:64 超长图）
- 可配置元信息显示策略（如仅首图显示）
- 可选编码格式（JPEG 推荐）、渲染精度、目标体积（KB）
- 支持压缩质量、字体缩放、间距缩放微调，兼顾清晰度与体积
- 右侧实时查看最终排版效果（正文 + Mermaid 图表），更适合分享与归档

3. 多任务管理 🧾

进度条实时显示任务状态，任务元数据、视频链接可追溯，支持任务处理流水线

4. 音视频支持 🎬

Bilibili直链转换；本地音频/视频文件上传

当前版本对本地文件采用扩展名白名单校验，明确支持如下格式：

视频：.mp4、.avi、.mov、.mkv、.flv、.wmv、.webm、.m4v
音频：.mp3、.wav、.flac、.aac、.ogg、.m4a、.wma、.opus

不在上述列表中的文件会在上传时直接提示“格式不支持”并拒绝处理。

5. CPU 友好 + GPU 加速 ⚡

默认即开即用的 CPU 转录体验，同时提供可切换的 CUDA 加速路径：

CPU 开箱可用：默认 tiny + CPU，在 i7-12700 上实测约 10x 识别倍率（具体耗时与音频质量、模型大小有关）
CUDA 智能诊断：自动检测 NVIDIA / PyTorch CUDA / CTranslate2 状态；可用时启用 GPU 转录，不可用时给出原因与处理建议
字幕优先，回退语音识别：可开启“优先使用字幕”，未获取到字幕时自动回退到本地语音识别

6. PC / 手机端Web阅读支持 📱

宽屏/窄屏自适应布局，良好阅读体验

💿 快速部署

一键部署脚本

Linux/macOS:

chmod +x deploy.sh
./deploy.sh

Windows:

deploy.bat

脚本会自动完成：

安装前端依赖并构建
安装 Python 后端依赖
提示配置 config/settings.json

你也可手动部署

前端构建

cd frontend
npm install
npm run build
cd ..

安装后端依赖

pip install -r requirements.txt

配置文件

cp config/settings.example.json config/settings.json
# Windows 可用: copy config\\settings.example.json config\\settings.json

然后编辑 config/settings.json。

启动服务

python sonicscribe-app.py

成功启动提示参考

PS D:\tool\SonicScribe> python .\sonicscribe-app.py
INFO  2026-02-28 08:41:54.241 Using SQLite database: sonicscribe.db
INFO  2026-02-28 08:41:54.455 --- SonicScribe v0.1.0 启动中 ---
INFO  2026-02-28 08:41:54.455 --- 启动 FastAPI 服务器于 http://0.0.0.0:8000 ---
INFO:     Started server process [18388]
INFO:     Waiting for application startup.
INFO  2026-02-28 08:41:54.495 --- [Transcriber] 使用本地模型路径: C:\Users\t819t\.cache\huggingface\hub\models--Systran--faster-whisper-tiny\snapshots\d90ca5fe260221311c53c58e660288d3deb8d356 ---
INFO  2026-02-28 08:41:54.496 --- [Lifespan] 正在初始化工作单元 ---
INFO  2026-02-28 08:41:54.496 --- [Lifespan] 1/5 初始化转录器（此阶段可能触发模型下载）... ---
INFO  2026-02-28 08:41:57.436 [FastWhisperTranscriber] Hugging Face 缓存根目录: C:\Users\Administrator\.cache\huggingface\hub (source=huggingface_hub.constants.HUGGINGFACE_HUB_CACHE)
INFO  2026-02-28 08:41:57.436 [FastWhisperTranscriber] 检测结果: 使用本地模型目录（不需要下载）: C:\Users\t819t\.cache\huggingface\hub\models--Systran--faster-whisper-tiny\snapshots\d90ca5fe260221311c53c58e660288d3deb8d356
INFO  2026-02-28 08:41:57.437 [FastWhisperTranscriber] 正在加载本地模型: C:\Users\t819t\.cache\huggingface\hub\models--Systran--faster-whisper-tiny\snapshots\d90ca5fe260221311c53c58e660288d3deb8d356 (device=cpu, compute_type=int8)

......

INFO  2026-02-28 09:02:44.995 所有工作单元已启动。
INFO  2026-02-28 09:02:44.995 --- [Lifespan] 5/5 后台 Worker 启动完成 ---
INFO  2026-02-28 09:02:44.996 --- [Lifespan] 后台工作单元已就绪 ---
INFO  2026-02-28 09:02:44.996 ============================================================
INFO  2026-02-28 09:02:44.996 服务启动完成，可通过浏览器访问：
INFO  2026-02-28 09:02:44.996   本机可通过浏览器访问 http://localhost:8000/
INFO  2026-02-28 09:02:44.996   其它设备可通过浏览器访问 http://192.168.0.254:8000/
INFO  2026-02-28 09:02:44.996 ============================================================
INFO  2026-02-28 09:02:44.996 [VideoDownloaderWorker] 工作单元已启动。
INFO  2026-02-28 09:02:44.996 [FileUploadWorker] 工作单元已启动。
INFO  2026-02-28 09:02:44.996 [TranscriberWorker] 工作单元已启动。
INFO  2026-02-28 09:02:44.996 [LLMWorker] 工作单元已启动。
INFO:     Application startup complete.

启动后本机即可在浏览器通过 localhost:<端口号> 访问
局域网内的其它设备即可通过 <服务器局域网IP>:<端口号> 访问

⚙️ 配置系统

SonicScribe 当前版本使用 JSON 单一配置源：

唯一配置文件：config/settings.json
建议首次先从 config/settings.example.json 复制一份
前端设置面板（LLM / 转录设置）会直接写回该文件
不再使用 .env + 数据库配置表 的混合优先级

配置示例

{
  "whisper": {
    "model_path": "E:/models/faster-whisper/tiny",
    "model_size": "tiny",
    "device": "cpu",
    "enable_bilibili_subtitle_fetch": true,
    "bilibili_sessdata": ""
  },
  "llm": {
    "provider": "openai_compatible",
    "base_url": "https://your-llm-endpoint/v1",
    "api_key": "your_api_key",
    "model_id": "your_model_id",
    "temperature": 0.7,
    "context_window_size": 8192
  }
}

B 站字幕直取与 Cookie 来源

当开启 enable_bilibili_subtitle_fetch 时，B 站任务会优先尝试直取字幕，失败自动回退到下载+ASR。
SESSDATA 来源优先级为：
1. 全局配置（转录设置面板保存到 config/settings.json）
2. 环境变量（BILIBILI_SESSDATA / SESSDATA）
前端仅显示掩码值与来源，不显示明文。

🤔 常见 Q&A

Q1. 怎么用转录模型？

首次启动时，转录模型会自动联网下载；网络不通时任务可能无法正常开始。也可先准备好本地模型，再让 SonicScribe 直接读取本地文件夹。

模型档位	速度/资源占用	质量与适用场景	官方下载页
tiny	最快、最省资源	快速首选；转录精度有限，会有错字，但经 AI 总结后通常可读性仍然不错	https://huggingface.co/Systran/faster-whisper-tiny
base	快	比 tiny 更稳一点，适合希望更稳但仍追求速度的场景	https://huggingface.co/Systran/faster-whisper-base
small	中等	精度继续提升，适合日常较高质量转录	https://huggingface.co/Systran/faster-whisper-small
medium	偏慢、资源要求较高	精度更好，建议性能较好的电脑使用	https://huggingface.co/Systran/faster-whisper-medium
large-v3	最慢、资源占用最高	通常精度最好，适合对细节更敏感的离线批处理场景	https://huggingface.co/Systran/faster-whisper-large-v3

如何配置模型：

自动下载（网络通畅时）：
```
{
  "whisper": {
    "model_size": "tiny"
  }
}
```
也可以改成 base / small / medium / large。

或本地配置：

{
  "whisper": {
    "model_path": "E:/models/faster-whisper/tiny"
  }
}

一个可用的模型文件夹中通常包含（缺少其中文件时，模型通常无法被正确加载）：

E:/models/faster-whisper/tiny/
├─ config.json
├─ model.bin
├─ tokenizer.json
└─ vocabulary.txt

高性能电脑建议：
可以直接尝试 small / medium / large。若已准备好本地模型目录，在 config/settings.json 中填写 whisper.model_path 即可。

Q2. 我要选哪个 AI 模型来总结？

通常来说，本项目更加适合于有思考能力的、上下文能力较好的大语言 AI 模型，这会影响总结的结构性、细节保真和时间戳标注正确性性。
即使是同一篇文章、同一个模型，由于 LLM 模型生成的随机性，最终总结质量会发生浮动；对内容不满意 / 总结内容出错时可点击悬浮工具栏的 “AI 重新总结” 按钮进行重新”抽卡”

一些大语言 AI 模型效果测试

大语言 AI 模型	总结风格（实测）	总结效果示例（总结至 @林亦LYi 的一个视频搞懂OpenClaw！）
Gemini 2.5/3.0 Pro	上下文能力较好 + 带思考，原文细节较为丰富（个人最习惯用）	点击查看示例图
DeepSeek V3.2	输出迅速，结构完整，出现错字概率稍高，可尝试搭配更大的转录模型或抽卡解决	点击查看示例图
GPT 5.2	细节丰富，有专业感	点击查看示例图

不同的模型会对最终总结文章的风味造成影响。
可尝试用同一视频分别交给不同 AI 模型总结后横向对比，选择最符合自己口味的模型。
模型风味测试实操：
- 选择一个已完成的任务，在前端设置好感兴趣的 AI 模型后点击悬浮工具栏的 “AI 重新总结” 按钮
- 感受总结完成后的文章风格差异

Q3. 这个项目的能力边界是什么？

😄 适合

把公开视频/音频变成“可读文本 + AI 总结”
课程复盘、会议整理、个人知识归档

😱 不适合

要求“每句话 100% 准确”的正式法律/医疗场景
需要实时字幕、同声传译、直播级低延迟
语音不清晰甚至无语音的视频

❕ 使用建议

音频越清晰，转录越准；多人重叠说话、噪音大会影响准确率
AI 总结是辅助阅读，重要结论请回看原文转录再确认
超长内容建议分段处理（当前版本建议单次 40-60 分钟内）
本地文件请优先使用 README 中列出的支持格式（尤其推荐 .mp3 / .wav / .mp4）

🧾 TODO / 后续计划

💓 其它信息

本项目最初源于自身视频总结需求而搭建的简单工作流，将总结文本分享后发现受到欢迎，故决定发展成完整项目
项目尚处于萌芽期，可能有疏忽和考虑不周全之处，请在 Issue 中反馈

📄 许可证

本项目采用 GPL v3 许可证。

🙏 致谢

faster-whisper - 高性能语音转录引擎
litellm - 统一 LLM 接口
yt-dlp - 强大的视频下载工具
FastAPI - 现代 Python Web 框架
Vue.js - 渐进式 JavaScript 框架

最后，如果觉得这个项目有用，请点个 ⭐️Star，大家的反馈是我持续改进的动力🥰~

⬆ 回到顶部

Made ❤️ by smileFAace（b站首页）

Contact me with: smileFAace@outlook.com

Name		Name	Last commit message	Last commit date
Latest commit History 15 Commits
prj-docs		prj-docs
.gitignore		.gitignore
README.md		README.md
VERSION		VERSION
tmp-summary.md		tmp-summary.md

Folders and files

Latest commit

History

Repository files navigation

🎙️ 声文智汇 - SonicScribe

核心特性

1. 智能总结引擎 🤖

🙂标准模式总结结果 vs 😄Agent 增强模式总结结果

2. 丰富输出 📊

3. 多任务管理 🧾

4. 音视频支持 🎬

5. CPU 友好 + GPU 加速 ⚡

6. PC / 手机端Web阅读支持 📱

🧭 导航

💿 快速部署

一键部署脚本

你也可手动部署

前端构建

安装后端依赖

配置文件

启动服务

成功启动提示参考

⚙️ 配置系统

配置示例

B 站字幕直取与 Cookie 来源

🤔 常见 Q&A

Q1. 怎么用转录模型？

Q2. 我要选哪个 AI 模型来总结？

一些大语言 AI 模型效果测试

Q3. 这个项目的能力边界是什么？

😄 适合

😱 不适合

❕ 使用建议

🧾 TODO / 后续计划

💓 其它信息

📄 许可证

🙏 致谢

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors