Video To Note

VideoToNo 把「视频 → 结构化笔记」这条链路做成了一个本地优先的服务：输入 B 站、抖音、YouTube 链接或本地视频，优先读取平台字幕、B 站 AI 字幕，无字幕时用本地 faster-whisper 离线转写，再由你选择的大模型生成带时间轴的 Markdown 笔记。

🤖 Agent Skill 已上线：把仓库里的 skills/video-to-note/ 目录复制到 agent 的技能目录（如 C:/Users/用户名/.agents/skills/），即可让 Claude Code、pi 等直接一句话生成视频笔记。详见该目录下的 SKILL.md。

🆕 What's New（v1.3.0 → v1.3.5）

• 只要字幕稿，不必先配 Key：界面新增输出类型「仅转录字幕」——选中后笔记风格等设置自动收起，任务只读平台字幕或本地 Whisper 转写，全程不调用大模型、不需要任何 API Key。产出带时间轴的字幕稿，留在「最近任务」里（标题前带「转录」标记）随时回看、复制或下载，之后还能一键改走笔记路线，转录不会重跑
• 接上 MCP / Skill 之后，整理方式随你：同一条转录出口对 agent 开放（MCP 工具 transcribe_video + get_transcript、Skill 参数 --transcript-only）。拿到文字稿后，"重点把某一节讲透""重复的合并、跳步的补上推导""视频没讲清的地方补充背景和例子"这类宽松的后续指令都交给客户端的模型完成，结构不由本机决定
• 历史任务的转录可以直接取走：只看转录产物在不在，不看任务状态——当时在生成笔记那一步失败的任务，字幕稿照样能取，不必重跑一遍下载和转写
• 本地视频第一次放进不再必然失败：此前上传后会把后端目录里的 input.mp4 当"链接"提交，被判"无法识别视频链接"，表现为必须先失败一次、点重试才跑通（v1.2.1 起就在，不是本批引入）；现在提交只带上传任务 ID，同时不再多出一条 input 任务，历史与笔记标题也改用你的原始文件名
• 本地视频上限真正放开到 2 GB：后端早就是 2048 MB，界面的判点和文案还卡在 500 MB；现在上限由后端下发，两端一起变，改 .env 的 MAX_UPLOAD_MB 会同步反映到上传提示
• GPU 缺 CUDA 运行库时退回 CPU 继续转写：Library cublas64_12.dll is not found 这类机器（驱动正常、只缺 cuBLAS/cuDNN）不再让任务死在第 4 步，会自动改用 CPU 跑完并在运行记录里写明原因与补救办法；确认不可用后本进程后续任务直接走 CPU，不再每个任务重付一次注定失败的初始化
• "待处理"任务能删了：上传成功但从未开始处理的任务此前没有删除入口，重启后还会恢复回来，永久挤占"最近任务"的 20 条

• v1.3.0：API Key 与 B 站凭据按接口地址「保存到本机」（Windows 用系统 DPAPI 加密落盘、复用前校验地址、输入框旁新增密钥状态芯片）；模型档案各自记忆所选模型，自定义接口可保存多个命名档案，非敏感设置改动即保存；取消任务在任意阶段秒级生效（实测 18.6s → 0.02s）；修复切换 Provider 时模型 ID 串写、早期失败让任务卡在 processing；MCP 新增只读工具 list_llm_keys，save_llm_config 支持 label，get_saved_config 增加 endpoints / key_storage。
• v1.2.3：B 站 412 风控自动回退到 api.bilibili.com 开放接口（含多分 P 与预览流，Issue #1）、「详细复原」卡在生成阶段的三道护栏、生成进度心跳、推理强度按风格自适应、思考参数被网关拒绝时自动降级并记住结论
• v1.2.2：Agent Skill 接入（skills/video-to-note/，一句话生成笔记）、任务完成/失败的 Windows 托盘通知、仓库与文档定位重写
• v1.2.1：取消真正立即生效（LLM 流式/下载钩子/模型下载逐块取消）、上传上限 2GB + 超大视频自动提音频、Whisper base 模型导入包
• v1.2.0：B 站多分 P 视频（全部/指定分P合并笔记）、语音转写段粒度取消、B 站无字幕误报修正、Whisper 手动导入模型界面
• v1.1.8：运行模式与应用版本隔离、最近任务滚动条、详细复原元信息去重、自定义 Base URL 错误诊断
• v1.1.7：抖音单条公开分享链接、浏览器验证回退、转写复用和已取消任务删除。
• v1.1.6：Whisper 下载确认记忆和自定义工作目录修复。
• v1.1.5：旧缓存页面、MCP SSE 和启动告警修复。
• v1.1.4：笔记元信息、托盘更新检查、B 站下载稳定性和 Whisper 回退改进。
• v1.1.3 及更早：B 站 412 处理、LLM 测试、MCP、任务恢复和多格式导出等基础能力。

🖼️ 界面预览

⚙️ 配置与提交

⏳ 处理进度

📝 笔记输出

🚀 便携版下载（推荐）

普通用户无需安装 Python 或配置开发环境，直接下载 最新 Release 中的 VideoToNo-1.3.5-portable.exe：

1. 下载并双击 exe；
2. 等待浏览器自动打开本地页面；
3. 粘贴视频链接或上传本地文件：要成品笔记就先填 Provider、模型和 API Key；只要带时间轴的字幕稿，选「仅转录字幕」即可，什么都不用填；
4. 等待生成笔记或字幕稿。

便携版会自动启动本地服务并驻留系统托盘。第一次使用 Whisper 转写时需要下载模型，请保持网络畅通；生成的任务、转录、截图和笔记默认保存在 exe 同目录的 workspace/ 中。

✨ 主要功能

• 🎥 多种输入：B 站、抖音、YouTube、其他可被 yt-dlp 解析的视频链接，以及本地音视频文件。
• 🇨🇳 B 站深度适配：除常规字幕外，可在登录后读取 B 站 AI 字幕；凭据支持扫码导入；视频页被风控时自动回退到开放接口取信息与音频。
• 🎵 抖音单链接适配：支持公开分享链接直接解析；需要验证时可在独立本机浏览器完成登录后重试。
• 🧾 真实时间轴：保留字幕或 Whisper 分段的起止时间，不让模型凭空猜时间点。
• 🧠 长内容整理：短转录直接生成，长转录自动分块、归并并控制上下文压力；生成后会核对是否写到材料结尾，小缺口自动补写。
• 🖼️ 多格式输出：Markdown 笔记、HTML、JSON、纯文本和 PNG 图片；可选提取视频截图作为附件。
• 🤖 给 agent 留了原料出口：接入的 agent 只要「带时间轴转录」，可以不走大模型、不需要给本机配 API Key，笔记风格由 agent 自己定。
• 🛡️ 本地优先：媒体下载、转录和文件生成在本机完成；服务默认只监听 127.0.0.1。

🔁 处理流程

视频链接 / 本地文件
        ↓
平台字幕（B 站 AI 字幕优先）
        ↓ 无可用字幕
faster-whisper 本地转写
        ↓
带时间轴转录 ──────→ 交给 agent 自己写笔记（不调用大模型，无需 API Key）
        ↓
大模型生成带时间轴的 Markdown 笔记

🌍 支持范围

• B 站、抖音、YouTube，以及当前版本 yt-dlp 能解析的其他 http / https 视频链接；B 站输入支持分享文本、b23.tv 短链（可缺省 scheme）与裸 BV/av 号；
• 抖音支持单条公开分享链接；匿名解析受限时，可从页面打开独立的本机抖音浏览器完成登录或验证后重试；
• .mp3、.m4a、.wav、.flac、.aac、.mp4、.mkv、.mov、.webm、.avi 等本地媒体；
• 爱奇艺、腾讯视频目前未做专门适配，能否处理取决于平台访问权限、字幕可见性和 yt-dlp 的解析能力。

⚙️ 使用与配置

启动后按页面提示完成以下操作即可：

1. 选输出类型：生成笔记（要配 API Key）或 仅转录字幕（只要一份带时间轴的字幕稿，全程不调用大模型、不需要 API Key，笔记风格与推理强度这些设置会自动收起）；
2. 生成笔记时选择模型档案并填写 API Key：DeepSeek / OpenAI / 智谱 / 通义 / Kimi 各自记住自己的模型，自定义 OpenAI 兼容接口可以保存多个命名档案，切换档案不会互相覆盖设置；
3. 选择笔记风格、推理强度和 Whisper 模型（推理强度保持 auto 时，详细类笔记会用更高思考档，任务日志会打印实际生效档位）；
4. 粘贴视频链接，或切换为本地文件上传；
5. 生成完成后预览、复制或下载结果。字幕稿会留在「最近任务」里（标题前带「转录」标记）随时回看和下载，也可以点「基于字幕稿生成笔记」改走笔记路线——转录不重跑，只补一次大模型调用。

模型档案、识别参数和主题等非敏感设置会自动记在本机浏览器里，改动即生效，不需要手动保存。API Key 默认只留在当前页面内存中，刷新即失效；点「保存到本机」后才会写入 workspace/llm_keys.json——Windows 上用系统自带的 DPAPI 加密（换机器或换 Windows 账户就解不开，需要重填），其他平台会明文保存并在界面标注。已保存的 Key 与接口地址绑定：只有目标地址与保存时一致才会复用，绝不会发给别的网关。扫码取得的 B 站 Cookie 仍只保留在本机进程内，只有显式保存时才会落盘，请勿分享工作目录里的这些文件。

源码用户直接 git clone 或在 GitHub 选择 Code → Download ZIP 即可获取完整项目。项目主要面向 Windows + Python 3.11，安装 backend/requirements.txt 后可使用 start.ps1 启动；需要自行构建便携版时运行：

git clone https://github.com/like-attract/video-to-note.git
cd video-to-note
.\.venv\Scripts\python.exe -m pip install -r backend\requirements.txt
.\start.ps1

构建 Windows 便携版：

powershell -ExecutionPolicy Bypass -File scripts\build_exe.ps1

VideoToNo 内置 MCP（Model Context Protocol）服务，可以在 Cherry Studio、Codex 等 AI 客户端里直接输入视频链接取字幕稿或生成笔记。使用前请先启动 VideoToNo：MCP 工具通过本地后端执行任务，会复用本机的 Whisper 模型缓存和任务目录，不会重复下载。

两条路线按需选：客户端自己就有模型时，用 transcribe_video + get_transcript 只取带时间轴的转录，不需要给本机配 API Key，笔记的结构与风格由客户端自己定；要一份现成成品笔记（或超长视频后台跑完）才用 summarize_video。

推荐这么用：先把视频变成文字稿，整理交给客户端。本服务只负责取字，读法、取舍和成稿结构由你那边的模型决定，所以后续指令可以很宽松：

先把这个视频转成带时间轴的文字稿：https://www.bilibili.com/video/BV1xx
再按你的判断整理：重点把 XXX 那部分讲透，重复的合并，跳步的补上推导，
视频没讲清的地方补充背景和例子，最后给我一份能直接看的稿子。

换结构、只深挖某一节、边整理边追问细节都可以，这条路上本机不需要任何 Key，也不会套用固定的笔记模板。要一份现成的标准笔记时才用 summarize_video（它需要 Key，风格按所选档位固定）。

可用工具：

Cherry Studio（推荐，无需本机 Python）

1. 启动 VideoToNo 后，打开 Cherry Studio「设置 → MCP 服务器 → 添加」；
2. 类型选择 Server-Sent Events (SSE)，URL 填：

http://127.0.0.1:8000/mcp/sse

若服务端口不是 8000，请填写实际端口。保存并启用后，就可以在对话中让 AI 调用 VideoToNo。

首次使用时，建议让 AI 先保存一次配置；之后不必在每次对话中重复提供敏感信息：

请调用 save_llm_config 保存配置：我的 DeepSeek API Key 是 sk-xxx
再调用 save_bilibili_credentials 保存：sessdata=xxx，bili_jct=xxx，buvid3=xxx

之后直接描述需求即可：

帮我总结这个 B 站视频：https://www.bilibili.com/video/BV1xx

把这个视频转成带时间轴的文字稿就行，我自己整理：https://www.bilibili.com/video/BV1xx

后一种说法会让客户端走 transcribe_video + get_transcript，本机不需要事先保存任何 API Key。

Codex CLI

支持 stdio 的客户端可运行：

codex mcp add local videotono -- python -m backend.mcp_server

MCP server 会自动扫描 8000–8019 端口来找到已运行的 VideoToNo 服务；也可以用环境变量 VIDEOTONOTES_BACKEND_URL 显式指定服务地址。

隐私说明：save_llm_config（以及网页端的「保存到本机」）把 API Key 写入本机 workspace/llm_keys.json——Windows 上用系统 DPAPI 按当前用户加密，把该文件拷到另一台机器或另一个 Windows 账户都解不开；非 Windows 平台没有 DPAPI，会明文保存并在界面标注。Key 与保存时的接口地址绑定，只有目标地址一致才会复用。save_bilibili_credentials 保存的 SESSDATA / bili_jct 走同一套信封加密写入 workspace/bili_credentials.json（同样绑定当前 Windows 账户，换机器需重新保存；buvid3 是设备标识，客户端本就明文携带，故保持明文）。未显式调用保存工具时，凭据不会落盘；workspace/ 已被 .gitignore 排除，不会进入 Git 仓库，也请勿分享这些文件。

除了 MCP，VideoToNo 也提供 Agent Skill（skills/video-to-note/），供 Claude Code、pi 等支持技能的编码类 agent 使用：agent 读取 SKILL.md 后，会自动调用本仓库附带的脚本完成「提交任务 → 轮询进度 → 取回笔记」全流程。使用前请先启动 VideoToNo，与 MCP 相同，任务由本地后端执行。

安装

把仓库里的 skills/video-to-note/ 整个目录复制到 agent 的技能目录，例如：

C:\Users\<用户名>\.agents\skills\video-to-note\        # pi / 通用约定
~/.claude/skills/video-to-note/                         # Claude Code

使用

安装后直接对 agent 说一句话即可：

帮我把这个 B 站视频做成笔记：https://www.bilibili.com/video/BV1xx

先把这个视频转成带时间轴的文字稿，再按你的判断整理：重点讲透 XXX，
重复的合并，视频没讲清的地方补充背景，最后存成 notes.md：https://www.bilibili.com/video/BV1xx

agent 会调用技能附带的 scripts/video_note.py，自动探测服务端口、提交任务、实时打印运行日志，完成后输出（或保存）结果。后一种说法会走 --transcript-only 取原料，本机不需要任何 API Key，拿到文字稿之后的取舍、补背景、换结构都由 agent 自己完成，提示词不必写得很具体。常用参数：--transcript-only（只要带时间轴转录，不调用大模型）、--style detailed|faithful|concise、--wait 秒数、--out 文件路径；本地视频文件路径也可直接作为输入。

agent 自带模型时优先用 --transcript-only：这条路线完全不调用大模型，因此不需要 API Key，转录到的内容由 agent 自己组织成笔记，不受内置笔记模板约束。只有需要一份现成成品笔记时才走 --style，而那需要大模型 API Key：agent 会向你要，用 --provider / --api-key 传入；若本机只为一个接口地址保存过 Key（网页端「保存到本机」或 MCP 的 save_llm_config），省略这些参数即可直接复用，不需要再传。

首次转写为什么等待很久？

faster-whisper 会在第一次使用某个模型时下载模型文件。下载耗时取决于模型大小和网络状况，后续会复用本机缓存；切换到另一个模型时仍可能再次下载。

模型默认缓存在 workspace/_model_cache/。如需改到其他磁盘，可在 .env 中设置 WHISPER_CACHE_DIR。下载默认走 hf-mirror.com 镜像，支持断点续传和重试；如需切换，可设置 HF_ENDPOINT，例如 HF_ENDPOINT=https://huggingface.co 使用官方源。若仍失败，请检查网络、代理和缓存目录写入权限。

应用默认禁用 Hugging Face Xet 下载后端，改用普通 HTTP 下载，以减少部分 Windows 网络下的 CAS 文件重建错误。如果所选模型尚未完整缓存、但本机已有可用的 base，任务会降级到 base 并在运行日志中注明，避免长期卡在不稳定的权重下载上。

大模型（medium 及以上）下载反复失败怎么办？

大模型体积大（medium 约 1.5GB），网络不佳时容易中断。除了重试（支持断点续传），推荐手动导入：

1. 在「语音转写」设置中选择目标模型，点击「手动导入模型」按钮，程序会自动打开导入文件夹（workspace/_model_cache/manual/<模型名>/）；
2. 用浏览器（或下载工具）从镜像站下载该模型的 4 个文件：config.json、model.bin、tokenizer.json、vocabulary.txt（下载页：https://hf-mirror.com/Systran/faster-whisper-<模型名>/tree/main，点开每个文件右上角的下载箭头）；
3. 把 4 个文件原样放入打开的文件夹，程序几秒内自动识别，下拉框会显示「已缓存」。

程序会对下载和缓存做完整性校验；检测到历史中断留下的损坏文件时会自动清理并重新下载，无需手动删除缓存。

CPU 转写为什么比视频时长还久？

速度取决于 CPU、视频时长和模型大小。CPU 模式使用 int8 降低资源压力，但 medium、large-v3 和 turbo 仍可能较慢并占用较多内存。个人电脑建议先使用 base；确认 CUDA 环境可用后再启用 GPU。

为什么需要 B 站 Cookie？

公开且可直接访问的视频通常不需要 Cookie。部分播放器可见的中文 AI 字幕只会在登录态字幕接口中返回；未填写凭据时，程序会记录提示并回退到 Whisper。登录可见、访问受限或字幕接口受限的视频可能需要当前账号凭据，但 Cookie 不能绕过账号本身没有的权限。凭据过期后需重新获取，平台策略变化也可能导致解析失败。

重启服务后任务会怎样？

VideoToNo 会从 workspace/<task-id>/task.json 恢复最近任务。已完成任务可继续预览和下载；上传后尚未开始的任务可重新提交。重启时仍在运行的任务会标记为失败，因为外部下载、Whisper 或大模型请求无法跨进程续跑；已经生成的字幕、转录和音频仍可在重新提交时复用。

为什么某个链接无法处理？

先确认链接能在当前网络和账号下正常播放，再更新项目依赖中的 yt-dlp。付费内容、DRM、验证码、地区限制、临时签名失效或平台接口变化都可能阻止解析；项目不会绕过平台权限控制。

没有字幕时会发生什么？

应用会下载该链接可取得的最佳音频，并在本机运行 faster-whisper。这比直接读取字幕耗时更多，也会受到音质、口音、背景噪声和专业术语的影响。

为什么会提示“模型未返回正文，已关闭深度思考并重试”？

这表示模型这一次真实返回了空正文，并非仅仅是界面显示问题。应用会立即在当前生成阶段提示，并自动关闭深度思考重试一次；若重试后仍无正文，任务会按实际错误状态处理。

B 站视频页无法访问时为什么任务还在继续？

部分网络环境下 B 站视频网页会被风控拦截（HTTP 412），而 api.bilibili.com 开放接口仍可用。应用会自动改用接口直连取视频信息与音频（多分 P 与预览截图同样覆盖），运行日志会写明“已改用开放接口直连”，不需要重新提交。项目不会绕过平台权限控制：登录可见、会员专属内容仍需有效凭据。

为什么进度会停在“模型正在深度思考”一段时间？

详细笔记与详细复原默认使用更高思考档，长视频可能几分钟只产生思考链。界面每 20 秒会刷新一次“正在深度思考（已累计 N 字）”或“模型已输出 N 字”，说明任务仍在推进；若希望更快或更省 Token，可把推理强度显式改为“关闭深度思考”或“高”。任何时候都可以取消任务，已生成的转录会被保留。

大模型报 400 unsupported_parameter（thinking / reasoning_effort）怎么办？

不同 OpenAI 兼容通道对「思考控制参数」的支持差别很大：有的只认标准的 reasoning_effort，收到厂商私有的 thinking 字段就直接 400。应用现在默认只发标准参数（私有的 thinking 仅用于官方 DeepSeek 关闭思考），并且真的被拒时会自动降级重试：reasoning_effort → 嵌套 reasoning.effort → 不注入（用模型默认思考）；同理，当我们为思考链抬高的 max_tokens 超过网关上限时，也会自动退回笔记长度甚至不下发该参数。日志会写明「该通道不支持 xxx 参数」。若想跳过「第一次先失败」的那一次请求，可用环境变量直接声明通道能力（逗号分隔，可取 thinking / reasoning_effort / reasoning / enable_thinking）：

$env:VIDEOTONOTES_REJECTED_LLM_PARAMS = "thinking,reasoning_effort"

🎬 宣传视频与交流群

• 🎬 宣传视频（B 站）：BV1Qwby6DEu1
• 👥 QQ 交流群：739200648（欢迎反馈问题、提建议、获取模型附件）

📄 开源许可

这是一个面向本地个人使用的工具，采用 MIT License 开源。