Bili2text 開源工具：一行指令把 Bilibili 影片變成逐字稿

用 AI 摘要這篇文章：

ChatGPT Claude Perplexity Google Grok

想把一支 Bilibili 影片的講話內容變成文字，自己動手要串三段工：找下載器把影片拉下來、用 ffmpeg 抽出音軌、再把音檔餵給語音辨識模型。每一段各自有參數要調，也有各自的地雷，Bilibili 的反爬就是其中最出名的一個；語音辨識那段還有環境成本，本機跑 Whisper 要先裝好幾 GB 的 PyTorch 與模型檔，筆電等級的機器跑起來要有耐心。開源工具 Bili2text 做的事情，就是把這三段工收進一行指令：貼上影片連結或 BV 號，它自己下載、自己抽音軌、自己跑語音辨識，最後交出一份文字稿。專案在 GitHub 上以 MIT 授權釋出，截至 2026-09-04 有 1,882 顆星、242 次 fork、11 位貢獻者，儲存庫自述把它定位成把 Bilibili 影片轉成文字的命令列工具。

Pin

我在 MacBook（Apple Silicon、Python 3.11）上把核心裝起來跑過一輪，也把它 2026 年 4 月改版後的原始碼、說明文件與問題追蹤區翻過一遍。動手前先弄清楚三件事：它到底自動化了什麼、裝之前要準備什麼、真實使用會撞到什麼。至於轉出來的稿子準不準，取決於你選的引擎與模型。

三段管線收進一行指令，下載層是它真正的特化

Bili2text 的核心就是一條轉寫管線，從原始碼看得出分工：下載交給 yt-dlp，輸入可以是 BV 號、完整連結或本機影片檔，多 P 影片能指定集數，下載後合併成 mp4；接著抽出純音軌餵給轉寫引擎；引擎跑完輸出文字稿。實際的指令長這樣：

uv run bili2text tx "https://www.bilibili.com/video/BV1kfDTBXEfu"

想指定引擎和模型就加參數，例如 --provider whisper --model medium；怕模型認錯專有名詞，還可以加 --prompt 塞一段提示詞引導它。輸出位置用 --output 指定，沒指定的話，下載的影片、抽出的音軌與成品稿都收在工作區資料夾（預設 ./.b2t），不會散落在專案根目錄。批次轉寫有 batch 指令，可以把一串 BV 號、連結或本機檔案路徑放進文字檔一次提交，Web 介面的輸入框也支援一次貼多行來源逐條處理。

單看「影片轉文字」這件事，yt-dlp 加 Whisper 自己串也做得到，網路上的教學一搜就是。Bili2text 的加值在兩處：一是把整段流程的參數與錯誤處理包好，指令列只要記一個 tx；二是下載層針對 Bilibili 做了特化處理，這部分是通用工具不會替你做的。

Cookie 與 412：反爬對策直接寫在下載層

翻下載器的原始碼，會看到兩個針對 Bilibili 的設計。第一是 Cookie 檔支援：程式會優先讀環境變數 B2T_COOKIE_FILE 指定的檔案，沒有就找工作區裡的 cookies.txt，找到就帶著登入狀態去下載。想轉會員專屬或需要登入才能看高清的內容，靠的就是這個機制。

第二個設計更值得注意：它預設停用系統代理、強制直連。作者在原始碼註解裡寫明理由，Bilibili 的 CDN 經常封鎖代理節點，造成 412 錯誤或連線失敗，直連通常反而順；真的需要走代理的環境，可以設 B2T_USE_PROXY=1 環境變數把系統代理開回來。問題追蹤區到 2026 年 7 月都還有人回報 412（Issue #98），而社群提交的「從瀏覽器直接匯入 Cookie」功能（PR #96）目前還沒被併入主線。換句話說，碰到 412 時的正確反應是檢查代理與 Cookie，而不是以為工具壞了。

三個引擎，本機與雲端的分界自己選

轉寫引擎有三個選項，定位差距很大。Whisper 是 OpenAI 開源的語音辨識模型，裝在本機離線跑，多語言通用，代價是要下載模型，電腦要有點算力；模型從 tiny、base、small、medium 到 large 五級，原始碼裡的預設是 small，速度與辨識力的折衷點。SenseVoice 是阿里巴巴開源的本機模型，官方定位強調中文辨識，但它需要你自備本機模型目錄，跑初始化精靈才會設定好。第三個是字節跳動旗下的火山引擎，走雲端 API，官方說法是辨識準確而且推薦使用；走這條路要自己申請帳號、把 API 金鑰填進設定檔，音檔內容會送到這個雲端服務處理。

隱私邊界就落在這條線上：選 Whisper 或 SenseVoice，整條管線除了下載影片那一步，都在你自己的電腦上跑完；選火山引擎，等於多一次資料外送，換官方標榜的辨識品質，送到的服務是你自己開的帳號。原文稿內容敏感的人，這個選擇比任何功能比較都重要。

2026 年 4 月的大改版，讓網路上的舊教學先過期

這是搜到舊資料的人最需要知道的一段。Bili2text 在 2026 年 4 月 10 日整理成 0.3.0 版，整個架構重寫成以命令列為主體：核心程式搬進 src/b2t 目錄，舊的腳本式寫法收進 archive 資料夾，過去那種 pip install -r requirements.txt 加 python main.py 的安裝路線，對應的檔案已經搬家，舊教學照著敲只會碰壁。

現在的安裝路線改用 uv 這個 Python 套件管理工具，需要 Python 3.10 到 3.12：

git clone https://github.com/lanbinleo/bili2text.git
cd bili2text
uv sync

我在本機實測，核心安裝只拉輕量依賴，幾秒鐘裝完，連 yt-dlp 都是核心的一部分。轉寫引擎和介面用分層安裝自選，例如要 Whisper 加 Web 介面就是 uv sync --extra whisper --extra web。這個設計的好處是不會一開始就拉兩個 GB 的 PyTorch，先裝核心試手感，確定要用了再補引擎。

裝完跑 bili2text --help，會看到八個指令：轉寫、批次、環境檢查、初始化設定、Web 介面、服務模式、桌面視窗、切換語言，大多有縮寫。第一次使用建議先跑 bili2text init，組態精靈用方向鍵加勾選的操作方式，讓你一次勾多個引擎與功能，只針對勾選的項目逐一問設定，最後直接生成並執行對應的 uv sync --extra 安裝指令，新手不用自己查文件拼湊指令。接著跑 bili2text doctor，它會逐項打勾打叉告訴你缺什麼；我在只裝核心的機器上跑，它正確報出 yt-dlp 與 ffmpeg 已就緒、三個轉寫引擎都還沒裝，該補什麼一目了然。介面本身有中英文兩套語系，用 bili2text language 隨時切換。

不打指令也有介面，但它仍然是本機工具

不想碰終端機的人有兩個替代入口。bili2text ui 會在本機 8000 連接埠起一個 Web 介面，瀏覽器開起來是一張表單：貼 BV 號、下拉選引擎、填模型名稱、按開始。我在本機把它裝起來實際啟動過，表單與影片庫都正常運作。

Pin

介面好看歸好看，定位要講清楚：這是跑在你自己電腦上的本機工具，README 也明言目前沒有對 Docker 或長時間對外服務做優化，建議先當本機自用。桌面上大量轉寫、或想開給區域網路內其他機器用的 server 模式存在，但同一句提醒適用。

!bili2text 的 Web 介面：貼上 BV 號、選引擎、按開始就能轉寫，影片庫計數在下方

!Bili2text 的 GitHub 儲存庫頁面，1.9k 星、242 fork，114 次提交與 11 位貢獻者

還開著的坑：SenseVoice 缺件、Intel Mac 裝不了、主線暫停合併

問題追蹤區能看出一個開源專案真實的樣貌。目前還開著的 Issue 裡，有幾個直接影響選擇：SenseVoice 引擎的官方模型檔沒辦法開箱即用，模型缺件與參數問題有一筆回報（Issue #101），社群跟著提了修復 PR（#102）但尚未併入，想走這條路要有自己補模型檔的心理準備；Intel Mac 裝不了 Whisper 引擎，因為它依賴的 PyTorch 已經不支援這個平台（Issue #95），Apple Silicon 沒有這個問題；轉寫本機檔案時，在更新索引階段有回報過崩潰的案例（Issue #100）。

專案節奏也值得知道：主分支最後一次合併停在 2026 年 6 月 16 日，之後社群提交的四個功能（小米 MiMo 雲端引擎、Apple Silicon MPS 加速、瀏覽器 Cookie 匯入、進度串流）都還掛著沒進主線。這不代表專案死了，Issue 討論到 2026 年 8 月都還有新回報，但代表你在別處看到的「即將支援」功能，要自己確認進主線了沒。GitHub 的 Releases 頁也只停在 2023 年的初版，新版號只反映在程式自己的 --version，我實測回報 0.3.0。星星是真的、社群是活的，但發布紀律是鬆的，安裝時以儲存庫主分支為準，不要等打包版。

最少阻力的路徑很明確：Apple Silicon 的 Mac、Whisper 引擎、走 uv 安裝。

拿它做什麼：筆記、字幕草稿與訪談語料

這類工具的典型用途有三塊。把一小時的教學影片或演講變成可搜尋的筆記，事後找「某句話到底怎麼講的」比拖時間軸快得多；幫自己的影片打字幕草稿，機器轉完再人工校，比從零打字省力；做質性研究的人把訪談音檔批次轉成語料。學語言的人也有專屬用法：把只有字幕沒有講稿的教學影片轉成逐字稿，對照聽力練習，比反覆暫停抄寫順。Bilibili 上的內容特別適合第一種，長篇教學、技術分享與課程錄影的密度高，語速快、術語多，轉成文字後價值會留下來，也更容易翻譯或摘要。要提醒的是逐字稿連口誤、語助詞都會忠實留下，直接當文章用之前要再整理一輪。

如果你要轉的影片不只在 Bilibili，先前介紹過的 AI 影片轉文字工具 與 AI Podcast 轉錄工具 走的是線上服務路線，免裝環境、按分鐘數計價，偶爾轉一支影片反而省事。反過來說，已經有一堆本機影片檔想找出「哪一支講過某個概念」，EditMind 這類本機影片搜尋工具 解決的是找片問題，與轉文字互補。常駐 Bilibili 的人，Bilibili Cleaner 瀏覽器擴充功能 清版面干擾，和這篇的工具剛好一個在瀏覽端、一個在下載端。

從 uv 到 Cookie 檔的準備順序，與版權那條線

環境需求前面提過：Python 3.10 到 3.12、uv、ffmpeg（doctor 會幫你查，macOS 用 Homebrew 裝即可）。流程上建議的順序是裝核心、跑 bili2text init 讓精靈帶你選語言與引擎、再依它給的指令補裝 extras、跑 doctor 確認全綠。還不想碰 Bilibili 下載時，可以先拿本機影片檔練手感，uv run bili2text tx ./my-video.mp4 對本地檔案一樣走抽音軌與轉寫，介面與輸出完全相同。需要登入內容或碰到 412 時，把瀏覽器裡 Bilibili 的 Cookie 匯出成 cookies.txt 放進工作區，或設 B2T_COOKIE_FILE 環境變數指過去，這也是轉高解析度與會員專屬內容的鑰匙。

最後是一條工具幫不了你的線：版權與平台規則。README 的使用須知寫得直接，使用時要遵守所在地的版權法律與平台規則，確認自己有權下載與轉寫該內容，開發者不對非法使用負責。轉自己上傳的影片、取得授權的內容、明確標示可下載的素材，這些沒有灰色空間；把別人的付費課程整批轉成文字稿另作他用，風險全在使用者自己身上。工具是 MIT 授權的自由軟體，自由的是程式，內容的權利歸內容的權利人。

回到開頭的對比：自己串三段工當然可行，Bili2text 把它收成一行指令的同時，也把 Bilibili 特有的反爬對策、引擎選擇與環境檢查一併收好。對有終端機習慣、定期要把 Bilibili 內容變成文字的人，這是個值得放進工具箱的選擇；偶爾轉一支影片的人，線上服務的門檻低得多。