TTS STT Text-To-Sound Sound-To-Text
1. 本机安装（Windows 最省事） #
Buzz 离线转写，支持 Whisper / faster-whisper / whisper.cpp，导出 TXT / SRT / VTT。Windows 安装包在 SourceForge。流程：把视频拖进去 → 选模型 → 导出字幕。有 NVIDIA 显卡会快很多。
同类：
- aTrain（Windows Store，faster-whisper）
- whisper.cpp（最轻，CPU 也能跑，适合批量）
Buzz 不负责从网站拉流。链接视频要先自己下音频。
2. 最短可用命令（适合视频网站无字幕，一般需要先下载） #
一般需要先下载，链接不能直接用。
# 1) 只下音频（建议带 cookies, Chrome 开着时 cookie 库会被锁，`--cookies-from-browser` 会失败，可导出 cookies，或用现有的 CDP 把音视频下下来再喂给 Whisper。）
yt-dlp --cookies-from-browser chrome -x --audio-format wav -o "audio.%(ext)s" "视频URL"
# 2) 转字幕（中文课建议 large-v3-turbo）
pip install faster-whisper
3. 自部署 / 自安装（推荐「链接 直出 字幕」场景） #
成熟、能贴 URL 的是这几个：
-
Whishper：Web UI，yt-dlp 拉链接，faster-whisper 转写，导出 SRT/VTT，还能在页面里改字幕。Docker 一键。
-
Whisper-WebUI：Gradio 界面，默认 faster-whisper，Docker Compose 即可。
-
VidScribe：贴 YouTube / 上传文件，本地 Whisper，导出 SRT/VTT。
-
Speaches：做成 OpenAI 兼容 API（
/v1/audio/transcriptions），给脚本用。 底层引擎（自己拼流水线时用这两个就够）： -
faster-whisper（Python，CTranslate2，CPU/GPU 都快）
-
whisper.cpp（C++，占内存小）
4. 免费在线（有限额，一般需要先下载） #
适合 YouTube / 已下载的文件，不适合当 B 站主力：
| 工具 | 链接 | 说明 |
|---|---|---|
| STT.ai | https://stt.ai/subtitles/ | 可贴 YouTube/Vimeo/TikTok URL，约 600 分钟/月 |
| Hugging Face Whisper | https://huggingface.co/spaces/hf-audio/whisper-large-v3 | 有 YouTube URL 页，排队、有时长上限 |
| Groq Whisper | https://console.groq.com/docs/speech-to-text | 免费 API，whisper-large-v3-turbo，可传音频 URL；文件免费档约 25MB |
| Clip Utils / SubtitleKit | https://www.cliputils.com/tools/subtitle-generator · https://subtitlekit.com/en/generate-subtitles/ | 浏览器本地跑 Whisper，不上传；模型小、长视频慢 |
Groq 的「URL」是直链音频文件，不是播放页。实际还是：本机 yt-dlp 抽出 mp3，再 POST 上去。可以做个 groq-mp3-to-srt.py <文件名>。Free：8,800 秒音频 ≈ 8 小时/天，whisper-large-v3-turbo / whisper-large-v3，25MB/文件；建议先压 16kHz 单声道 mp3 再传。注册：console.groq.com。可能需要非大陆服务器。
浏览器方案（Clip Utils 等）不上传、无水印，但一般是 tiny/base，中文网课专有名词会糊。短片可以，出题用字幕不建议。
5. 小结：场景推荐 #
| 场景 | 建议 |
|---|---|
| Windows 上点几下就出 SRT | Buzz |
| 要贴链接、要编辑、要长期用 | 自部署 Whishper 或 Whisper-WebUI |
| 最短命令、质量最好 | yt-dlp + faster-whisper |
| 短片、隐私、不想装东西 | 浏览器里跑 Whisper（质量一般） |
| 偶尔转、能接受额度 | Groq / Hugging Face Space（先下音频再传） |
| 机器情况 | 建议 | 原因 |
|---|---|---|
| 只有 CPU（默认） | faster-whisper + large-v3-turbo + int8 | 中文课够用，安装简单，一份脚本同时出 txt/srt |
| CPU 很弱 / 想少占内存 | whisper.cpp + large-v3-turbo 量化版 | 单文件、内存更省 |
| 有 NVIDIA 卡 | 同一套 faster-whisper，改 cuda + float16 | 同样模型，大约快一个数量级 |
| 本机什么都不想跑 | Groq 免费 Whisper API | 用他们的加速器，不占你的 GPU；每天大约 8 小时音频 |
- 无字幕课：不要用在线「贴链接」。
yt-dlp（或现有 CDP）下音频 → Buzz / faster-whisper → SRT。中文讲解、术语课（你现在这类网课）建议用large-v3或large-v3-turbo，浏览器里的 tiny/base 会经常听错专有名词。 - 只要 GUI、偶尔转本地文件：装 Buzz。
- 以后经常转、还想改时间轴：Docker 起 Whishper 或 Whisper-WebUI。
- 没有显卡：faster-whisper
int8或 whisper.cpp；模型先small/medium，不够再上large-v3-turbo。
精度排序大致是：large-v3 ≥ large-v3-turbo > medium > 浏览器 tiny。中文专有名词（CIDR、NAT、递归解析器）转完一定要人工扫一遍，Whisper 会写成谐音。
