transcribe-anything

环境要求

• 已安装 Python 且 pip 可用
• 联网（下载输入音视频与后端依赖，--device insane 约 10 GB）
• macOS 建议 Apple Silicon 以使用 mlx 后端加速
• 使用 Docker 需已安装 Docker（GPU 加速需支持 CUDA 的镜像环境）

安装与启动步骤

1. 1安装主程序

   用 pip 把 transcribe-anything 装到当前 Python 环境，装完会自动获得 transcribe_anything 命令。

   pip install transcribe-anything

   复制

2. 2转写在线视频

   最基础用法，直接传 YouTube 或任意 URL，工具会自动下载并转码后识别，CPU 模式到处都能跑但较慢。

   transcribe-anything "https://www.youtube.com/watch?v=dQw4w9WgXcQ"

   复制

3. 3Mac 用 MLX 加速

   Apple Silicon 上指定 mlx 后端走 Metal GPU，速度更快；--device 省略时会自动检测后端。

   transcribe-anything video.mp4 --device mlx

   复制

4. 4高速高精度组合

   insane-flash 后端配批量大小与词级时间戳，适合追求速度与精度；首次运行会构建独立环境并下载依赖。

   transcribe-anything video.mp4 --device insane-flash --batch-size 12 --timestamp word

   复制

5. 5说话人分离

   whisperx 后端带 VAD 与 wav2vec2 对齐，可输出按说话人分区的 speaker.json，适合会议记录。

   transcribe-anything video.mp4 --device whisperx

   复制

6. 6构建 Docker 镜像

   仓库自带 GPU 加速 Dockerfile，默认预构建 insane 与 insane-flash 共用的后端环境。

   docker build -t transcribe-anything .

   复制

7. 7自托管带 TLS 服务

   用 examples 里的 compose 起守护进程，Caddy 反代自动申请 Let's Encrypt 证书，先设置令牌与公网域名。

   export TRANSCRIBE_ANYTHING_TOKEN=$(openssl rand -hex 32)
   export TRANSCRIBE_PUBLIC_HOST=transcribe.example.com
   docker compose -f examples/serve-compose.yml up -d

   复制

关键配置

如何确认成功

命令正常结束并在输出目录生成文字稿/字幕文件；whisperx 后端还会生成 speaker.json。

常见问题

注意事项

• 命令中的 video.mp4 需替换为你自己的本地音视频文件路径。
• Docker 想最小化镜像可设 PREBUILD_BACKENDS=none，代价是首次运行才初始化后端。
• 各后端互不影响，但逐个使用会分别占用一份缓存空间，注意磁盘余量。