做内容分析、课程整理、或者把播客变成可检索文档时，第一步总是绕不开「把视频里的话变成文字」。找在线服务又慢又要传文件，其实本地两条开源命令就能搞定：yt-dlp 负责下载，faster-whisper 负责转写。这条流水线完全离线，数据不流出机器。
两步走
第一步，下载音频。yt-dlp -x --audio-format mp3 <视频地址> -o input.mp3——直接抽音频轨，比下完整视频再转码快得多。
第二步，转写。faster-whisper 是 OpenAI Whisper 的加速重实现，pip install faster-whisper 之后，用 faster-whisper input.mp3 --model large-v3 --output_format srt，它会按时间轴吐出 .srt 字幕文件，带每句话的起止时间。
有 GPU 就指定 --device cuda，一段半小时的播客几分钟就能转完。没有 GPU 用 CPU 也能跑，只是慢些，模型选 small 或 medium 平衡速度与准确率。
怎么再往上叠
拿到带时间轴的文字稿，后面能接的就多了：按时间戳切分喂给 RAG 做知识问答、让模型提取摘要和待办、或者把字幕对齐双语翻译。转写只是入口，文字稿才是原料。
判断
视频是最不结构化的信息载体，转写工具的价值就是把它变成可检索、可分析的文本。在大模型都能看视频的 2026 年，这套本地流水线依然有它的位置：便宜、离线、可复现。要批量处理一批内部会议录像，这是最省事的起点。
补两个提升准确率的细节。第一，转写时给提示词传入上下文——比如专业术语、人名，faster-whisper 支持初始提示，能显著减少同音错字。第二，中英文混读的视频，指定语言检测比让它自动猜更稳；自动猜在中英夹杂时容易整段判错语种，输出一堆乱码。拿到字幕后，再用一个大模型做标点与分段后处理，可读性会再上一个台阶。
把视频转成带时间轴的文字稿，它才从「只能看」变成「能检索、能分析」的资产；后续做知识库、做摘要、做多语翻译，都建立在这层干净的转写之上，一步先通，后面才能节节顺。