yapsnap

在视频内容爆炸式增长的今天，将音频转化为可搜索、可编辑的文本是一项高频需求。然而，传统的转录工具往往面临两大困境：要么依赖昂贵的云端 API 且存在隐私泄露风险，要么需要高性能 GPU 和本地部署复杂的深度学习框架。

yapsnap 是一个轻量级、纯 CPU 运行的命令行工具，能够将任何视频 URL 或本地音频文件快速“快照”为纯文本。无需 GPU，无需云端，只需一条命令，即可在你的笔记本上以数倍于实时的速度完成转录。

核心亮点：为何选择 yapsnap？

1. 极致轻量，纯 CPU 加速

• 无需 GPU：基于 Sherpa-ONNX 和流式 **Zipformer transducer模型，yapsnap 能在普通 CPU 上高效运行，速度远超实时播放。
• 零云依赖：首次运行下载约 80 MB 模型后，后续所有操作完全离线。你的音频数据永远不会离开本地机器，彻底杜绝隐私泄露。
• 精简依赖：仅需 sherpa-onnx、numpy 和 yt-dlp，无需安装庞大的 PyTorch 或云端 SDK。

2. 全平台视频/音频支持

• 万能输入：支持 YouTube、X (Twitter)、TikTok、Instagram Reels、直接媒体链接以及本地 MP3/MP4 文件。
• 自动化流程：内部集成 yt-dlp 负责下载最佳音频流，ffmpeg 负责解码为 16kHz 单声道 PCM，全程自动化处理。

3. 高级功能：时间戳与说话人分离

• 句子级时间戳：使用 --timestamps 参数，可为每句话添加 [MM:SS] 标记，即使加速转录，时间戳依然精准对应原始音频。
• 说话人分离 (Diarization)：使用 --diarize 参数，自动识别并标记不同说话人（如 SPEAKER_00, SPEAKER_01），完美适用于访谈、会议记录等场景。
• 多语言支持：开箱即用英语，并通过 --model 轻松切换支持法语、德语、西班牙语、中文等 10+ 种语言。

快速开始指南

1. 环境准备

确保系统中已安装 ffmpeg 并加入 PATH。

2. 安装 yapsnap

pip install yapsnap

3. 基本用法

# 转录 YouTube 视频
yapsnap "https://www.youtube.com/watch?v=dQw4w9WgXcQ"

# 转录本地音频并添加时间戳
yapsnap meeting.mp4 --timestamps

# 转录访谈录音并标记说话人
yapsnap interview.mp3 --diarize

# 指定输出路径
yapsnap podcast.mp3 -o ~/notes/episode.txt

注：首次运行时会自动下载模型，后续运行完全离线。

高级配置与技巧

工作原理揭秘

1. 获取 (Fetch)：若是 URL，yt-dlp 下载最佳音频流至临时目录。
2. 解码 (Decode)：ffmpeg 将媒体转换为标准的 16kHz 单声道 PCM 格式。
3. 识别 (Recognize)：流式 Zipformer2 模型逐块处理 PCM 数据，纯 CPU 运算，效率极高。
4. 格式化 (Format)：
   • 默认输出纯文本。
   • 若启用 --timestamps，根据标点符号将 Token 分组为句子，并映射回原始时间。
   • 若启用 --diarize，进行第二遍处理：通过声纹聚类识别说话人，并为每个句子分配对应的说话人标签。

局限性与注意事项

• 重叠语音：目前不支持处理多人同时说话的重叠语音，每个时刻仅分配给一个主要说话人。
• 说话人数量限制：当说话人超过 7 人时，自动检测准确率可能下降。建议已知人数时使用 --num-speakers 参数。
• 标签独立性：说话人标签（如 SPEAKER_00）仅在单次运行内有效，不同文件间的同一说话人不会被关联。