基于 ElevenLabs API 的音视频转录工具，支持 YouTube 链接与本地媒体文件，具备说话人分离功能，输出结构化文本供 LLM 分析。
说明：
## 核心用法
transcribee 是一款命令行转录工具，通过 ElevenLabs 的 Scribe API 实现音视频转文字。核心用法极为简洁：直接传入 YouTube URL 或本地文件路径即可触发全流程——自动下载（YouTube 场景）、格式转换、语音识别、说话人分离，最终生成四种格式的输出文件。
**典型工作流：**
“`bash
# 转录 YouTube 视频（URL 需引号包裹）
transcribee “https://www.youtube.com/watch?v=xxx”
# 转录本地播客/会议录音
transcribee ~/Downloads/interview.mp3
“`
输出文件按 `~/Documents/transcripts/{category}/{title}-{date}/` 结构归档，包含：
– `transcription.txt` — 带说话人标签的整洁文本（如 “Speaker A: …”）
– `transcription-raw.txt` — 纯文本无标签
– `transcription-raw.json` — 单词级时间戳（精确字幕制作）
– `metadata.json` — 视频元数据、语言识别、自动分类
## 显著优点
1. **说话人分离（Diarization）**：自动区分不同说话人，会议记录、访谈整理效率倍增
2. **多格式兼容**：覆盖主流音视频格式（mp3/mp4/mkv/webm 等），无需手动转码
3. **YouTube 原生支持**：集成 yt-dlp，一键处理在线视频，自动提取标题、频道信息
4. **结构化输出**：JSON 时间戳数据可直接导入字幕软件或进行时间轴分析
5. **LLM 就绪**：默认输出已清洗，可直接投喂大语言模型进行摘要、问答、情感分析
## 潜在缺点与局限
| 局限 | 说明 |
|——|——|
| **第三方 API 依赖** | 核心功能完全依赖 ElevenLabs Scribe API，需自备 API key，存在单点故障风险 |
| **成本累积** | ElevenLabs 按音频时长计费，长视频/批量处理成本需关注（约 $0.02-0.04/分钟） |
| **网络要求** | YouTube 下载需稳定网络，部分区域可能受限制 |
| **隐私边界** | 敏感音频需上传至 ElevenLabs 云端处理，本地化部署非本工具范畴 |
| **语言支持** | 实际准确率受 ElevenLabs 模型语言能力约束，小语种表现未明确说明 |
## 适合人群
– **播客创作者/听众**：快速生成节目文字稿，制作摘录或搜索索引
– **研究学者**：批量转录访谈录音、学术讲座，建立可检索的文本库
– **会议效率者**：替代传统速记，自动生成带发言人的会议纪要底稿
– **内容运营**：YouTube/B站 创作者获取视频文案，二次剪辑或图文转化
– **开发者/AI 用户**：需要结构化 transcript 作为 LLM RAG pipeline 的输入源
## 常规风险
– **API 密钥泄露**：`.env` 文件若误提交至版本控制，可能导致密钥滥用
– **版权合规**：YouTube 下载需遵守平台 ToS 及当地版权法规，商业用途需谨慎
– **存储膨胀**：长期累积的原始音频+转录文件可能占用大量本地磁盘空间
– **依赖维护**：yt-dlp 需定期更新以应对 YouTube 反爬策略变化
> **安全提示**：建议在 `.env` 文件所在目录添加 `.gitignore`，并考虑启用 ElevenLabs API key 的 IP 白名单或用量告警。
会员专属
