找了下本地视频转文字的工具,都是各种限制,于是自己写了个自用的工具,如果帮助到您,请给个 star 吧!

完全免费，无时长限制，可转写视频和音频；基于 Whisper large-v3，精准实用，准确率高；集成 Ollama / NVIDIA 大模型，自动生成摘要；图形界面 + 命令行，Windows 绿色版已打包；可批量选择文件转写成文本和总结摘要，摘要可markdown格式查看；一键转写 + 总结，输出 TXT/SRT/VTT/JSON；完全开源，源代码：video2text GitHub 仓库（本地视频转文字工具）

---

一、界面

主界面GUI

二、安装前的准备：系统要求与组件

在安装 video2text 这一本地视频转文字工具前，请先确认你的电脑满足以下条件。

2.1 最低配置与推荐配置

项目	最低要求	推荐配置
操作系统	Windows 10 64位	Windows 11 64位
磁盘空间	20 GB 可用空间	30 GB 以上（含模型文件）
内存（RAM）	8 GB	16 GB 及以上
显卡	无（CPU模式可用但很慢）	NVIDIA 显卡（6GB显存以上） + CUDA

注意：AMD 显卡暂不支持 GPU 加速。CPU 模式可以运行会比较慢。

显卡信息参考（nvidia-smi 输出示例）：

这是我电脑上的驱动版本信息

NVIDIA-SMI 572.83	Driver Version: 572.83	CUDA Version: 12.8
GPU Name Driver-Model	Bus-Id Disp.A	Volatile Uncorr. ECC
Fan Temp Perf Pwr:Usage/Cap	Memory-Usage	GPU-Util Compute M.
		MIG M.
===================================	================================	========================
0 NVIDIA GeForce RTX 4060 WDDM	00000000:01:00.0 Off	N/A
N/A 41C P5 5W / 140W	365MiB / 8188MiB	0% Default
		N/A

如果驱动版本和 CUDA 版本太低也可能无法使用 GPU 加速。建议先在命令行执行 nvidia-smi 确认显卡状态。

2.2 需要下载哪些文件

video2text 本地视频转文字工具的安装包体积较大，已上传至 123 云盘，内含以下组件：

组件	大小	是否下载
large-v3 语音模型	~3 GB	可选,建议下载,自己有其它模型也行
Ollama 总结模型（qwen2.5:7b）	~4.7 GB	可选,看总结用不用Ollama
video2text 程序	~3 GB	必须

请使用支持保留目录结构的解压工具（如 7-Zip 或 Bandizip）解压压缩包，确保文件夹结构完整。

下载地址：

『来自123云盘用户喵王龙的分享』video2text 本地视频转文字工具
链接：https://1840674647.share.123pan.cn/123pan/7CfNTd-SE7j3?pwd=viWa#
提取码：viWa

---

三、详细安装步骤

以下按顺序介绍 video2text 本地视频转文字工具的完整安装流程。

3.1 部署 video2text 本地视频转文字程序

第一步：解压程序包

将 video2text_portable_windows_*.zip 解压到你希望存放程序的位置，例如 D:\video2text。该程序为绿色版，无需安装，不会写入注册表，解压即用。解压后目录结构如下：

D:\video2text\
├── video2text.exe          ← 主程序
├── video2text.bat          ← 启动脚本（自动设置工作目录）
├── config.ini              ← 配置文件
├── .env                    ← 环境变量配置（存放 API Key，需手动创建）
├── docs                    ← 文档
├── assets\                 ← 图标资源
├── ffmpeg\                 ← 内置 FFmpeg
├── models\                 ← 模型目录（需要放入模型文件）
├── output\                 ← 输出目录（可选）
├── logs\                   ← 日志目录
└── README.md               ← 说明文档

第二步：放入语音识别模型

将下载的 large-v3.zip 解压到程序目录下的 models 文件夹中。确保解压后模型文件位于 models\large-v3\ 子目录下，且包含以下核心文件：

D:\video2text\models\
└── large-v3\
    ├── config.json
    ├── model.bin              ← 核心模型文件（约 2.9 GB）
    ├── preprocessor_config.json
    ├── tokenizer.json
    └── vocabulary.json

放好模型后就可以使用视频转文本功能了.
需要使用其它模型的可以到huggingface上找,按照上面目录结构放好,再到配置文件中设置

3.2 总结模型安装

video2text 支持两种总结服务：NVIDIA 在线模型和本地 Ollama 模型，按需选择其一即可。

3.2.1 NVIDIA 在线（使用在线 NVIDIA 模型总结）

需要先在 NVIDIA Build 注册账号并创建 API Key（目前大部分模型免费使用）。获取 Key 后在程序目录下新建一个名为 .env 的文本文件（注意文件名以点开头，无扩展名）。用记事本打开，按需添加以下内容：

# NVIDIA API Key（使用在线 NVIDIA 模型总结时需要）
NVIDIA_API_KEY=nvapi-你的API密钥

保存文件。程序启动时会自动读取该文件中的环境变量。API Key 也可以通过系统环境变量设置，效果相同（系统环境变量优先级高于 .env 文件）。NVIDIA 提供有很多免费的模型，如果网络访问有问题需要自行解决。

3.2.2 安装 Ollama（使用本地模型总结）

Ollama 是一个本地大语言模型运行框架，video2text 使用它来生成文本摘要。

注意事项

• 目前测试下来发现,qwen2.5:7b-instruct-q4_K_M模型的总结能力较差,建议还是使用在线免费的模型
• Ollama也提供一些模型可免费使用,有一定额度限定,模型比如有:deepseek-v3.1:671b-cloud、gpt-oss:120b-cloud
• 官网地址：Ollama
• 如果你显卡比较好一些,可以考虑拉取一些比较好的模型本地运行,这边使用qwen2.5:7b-instruct-q4_K_M进行安装说明

第一步：运行安装程序

双击 OllamaSetup.exe，按提示完成安装。安装过程无需手动配置，会自动完成。

第二步：解压预下载模型

找到下载好的 models.zip 文件，将其解压到 C:\Users\你的用户名\.ollama 目录下。确保解压后的目录结构如下：

C:\Users\你的用户名\.ollama\
└── models\
    └── blobs\          ← 模型数据文件
    └── manifests\      ← 模型清单文件

第三步：启动 Ollama 服务

直接找到图标启动,或者ollama serve,其它模型安装直接参考官方文档,用命令拉取下就行,如果注册了账号使用ollama的在线模型,需要添加在文件.env中添加OLLAMA_API_KEY

# Ollama API Key（使用带认证的 Ollama 服务时可选配置）
OLLAMA_API_KEY=你的API密钥

---

3.3 验证安装是否成功

完成以上所有步骤后，按顺序验证各组件是否正常工作：

1. 启动 video2text：

   • 双击 video2text.exe 或 video2text.bat 启动程序。
   • 程序主窗口应正常显示，标题为「Video2Text - 视频转文本工具」。
   • 底部状态栏会显示当前使用的配置文件路径。

2. 快速测试（可选）：

   • 选择一个短小的视频文件（1-2 分钟即可）。
   • 点击「仅转写」按钮，观察日志面板是否有输出、进度条是否推进。
   • 转写完成后，右侧面板应显示转写文本。
   • 点击「仅总结」按钮，确认能正常生成摘要。

---

四、详细教程

详细教程请查看video2text GitHub 仓库（本地视频转文字工具）