Video2Doc v0.12.0 — 图文稿自动精简

重点更新

🖼️ 图文稿更紧凑

• 默认自动精简截图：讲解很短的画面，以及和上一张几乎一样的画面（逐步出现的幻灯片、重复回看的页面），都会并入上一张保留的截图，时间段一起合并。
• 文字一字不少，只是不再每隔几秒就插一张图，阅读和对照学习更顺。
• 实测三场 CEDEC 讲座：从 160 张截图精简到约 90 张，和人工挑选的结果（82 张）接近。

Video2Doc v0.11.0 — 发布到飞书/Lark 文档、识别后替换

重点更新

继续来自同一次真实使用：把三场 CEDEC 讲座的“截图 + 原文”逐字稿写进团队的 Lark 文档。

📤 发布到飞书 / Lark 文档

python scripts/publish_lark.py --job output/<任务 ID> --new "讲座逐字稿"
python scripts/publish_lark.py --job output/<任务 ID> --doc <文档链接> --after-block <block_id>

• 按“截图（带时间段说明）+ 原话”逐段写入，并附上文字稿 / SRT 字幕文件。
• 可插入到已有文档的指定位置；中断后重跑从断点继续。
• 需要先安装并登录官方 lark-cli（lark-cli auth login --domain docs --domain drive）。

✏️ 识别后替换

• ⚙️ 设置 → 模型 中按行填写 错词 => 正确词，或命令行 --replace "错=>对"。
• 导出前统一修正分段、全文、SRT 和图文稿，专门处理热词也纠正不了的固定错误。

Video2Doc v0.10.0 — 图文稿、热词识别与 B站 720p

重点更新

这一版来自一次真实使用：把三场 CEDEC 2020《集合啦！动物森友会》讲座整理成学习用的图文稿。过程中暴露的问题都已修进产品里。

🖼️ 图文稿

• 自动检测幻灯片 / 画面切换，每张截图下面配上它在屏幕上时讲的原文，并标注时间段，方便对照视频学习。
• 输出单文件离线 HTML（图片内嵌，可直接发给别人），以及 Markdown + 图片压缩包（可导入笔记 / 文档工具）。
• Web 的“链接转文稿”“本地文件转文稿”勾选 生成图文稿；命令行加 --illustrated。图文稿出错时不影响文字稿。

🎯 热词与识别上下文

• 人名、术语可以作为热词交给豆包 2.0（官方热词直传）和 Whisper，视频标题自动作为识别上下文。
• 实测：讲座一里“京极彩”从完全识别错误变为 5/5 正确，CEDEC、毛吕功、狸克、关西方言等专名也一起修正。
• 单个任务在转文稿窗口填写；常用热词在 ⚙️ 设置 → 模型 中全局配置；命令行 --hotwords "A,B"。

其他

• B站免登录画质从 480p 提升到 720p/1080p，下载和图文稿截图更清晰。
• 命令行进度输出到 stderr，--json 时 stdout 只有结果 JSON，便于脚本和 Agent 解析。

Video2Doc v0.9.0 — Web 设置页（Key/模型）与工具自动保持最新

重点更新

⚙️ Web 设置页

• API Key：豆包语音、硅基流动各有“获取 Key ↗”直达链接，可在页面里粘贴、验证、保存、清除。Key 只保存在本机 ~/.video2doc/config.json，页面只显示掩码；同名环境变量仍优先。
• 模型：AI 摘要模型直接列出你硅基流动账号可用的对话模型（也可自定义）；本地 Whisper 的模型和识别语言可选；每个识别引擎用的具体模型和就绪状态一目了然。
• 工具与更新：yt-dlp、FFmpeg、Playwright、Whisper、FunASR、Node.js、Python 的当前版本与最新稳定版，支持一键更新。
• 登录态（可选）：cookies.txt、抖音 storage_state、小红书 Cookie。

🔄 工具自动保持最新

• 默认每天检查一次，自动把可更新的工具升级到最新稳定版，可在设置里关闭。
• 只安装发布满 7 天的稳定版（跳过预发布和已撤回版本）；原地替换，不在电脑上留第二份。
• Windows 独立目录的 FFmpeg 从 gyan.dev 官方构建更新，下载后校验 SHA-256；winget / Homebrew 安装交给对应包管理器。
• 有任务运行时不更新；Python、Node.js 等需要管理员权限的软件只显示升级命令。

其他

• requirements.txt 改为 yt-dlp[default]，一并安装 YouTube 所需的 yt-dlp-ejs。
• 设置与更新接口只接受本机请求，局域网共享模式下其他设备无法读写 Key。

升级

解压 Video2Doc-v0.9.0.zip 到新目录，运行 python -m pip install -r requirements.txt 后启动，点右上角 ⚙️ 设置 即可配置 Key。已有的 ~/.video2doc/config.json 和环境变量继续有效。

Video2Doc v0.8.0 — 统一 CLI、字幕优先全平台化与流式大文件上传

重点更新

Video2Doc v0.8.0 从“输入 → 媒体 → 文字 → 文档”的本质出发，收敛重复实现、去掉不必要的下载与等待，并修复若干会让任务失败或结果失真的问题。

更快、更省

• YouTube 也改为“字幕优先 → 仅音频”，不再为转文稿下载整段视频；字幕不再请求上百条机器翻译轨（此前会触发 HTTP 429）。
• 抖音转文稿优先使用免浏览器的移动分享 MP4，不可用时不到 1 秒切换到 Playwright 签名音轨。
• 所有音频识别前统一转为 16 kHz 单声道 MP3，云端上传体积通常缩小 4–8 倍；本地 FunASR/Whisper 模型进程内缓存。
• Web 服务多线程化，大文件上传/下载期间页面与进度轮询不再卡住。

更可靠

• 本地上传改为流式写盘，单文件上限 200 MB → 4 GB，并显示上传进度。
• 豆包/TeleSpeechASR 超时随音频时长伸缩，长音频不再因固定 90/120 秒超时失败。
• 任务写入 output/<任务 ID>/job.json，重启后历史自动恢复；任务队列默认最多并行 2 个。
• 修复 Windows 下 tele_result.json 按 GBK 写入、下载失败原因被覆盖、引擎空结果无提示、YouTube 自动字幕重复行等问题。

更好用

• 新增 video2doc.py 命令行，与 Web UI 完全共用 pipeline，支持链接/分享文本/本地文件、批量、仅下载、隐私模式和 JSON 输出。
• Markdown 文稿包含标题、来源、时长、识别来源，并按停顿自动分段；云端摘要对长文稿取首/中/尾节选以覆盖全篇。

安全

• 校验 Host 头阻止 DNS rebinding，POST 校验 Origin/Sec-Fetch-Site 阻止跨站请求。

升级

下载 Video2Doc-v0.8.0.zip 解压到新目录，运行 python -m pip install -r requirements.txt（yt-dlp 最低 2026.8.19）与 python scripts/check_setup.py 后启动。旧版本 output/ 目录可直接复制过来继续查看（无 job.json 的旧任务不会出现在历史列表中）。

Video2Doc v0.7.0 — B站/抖音采集链路优化

这次更新

• B站链接转文稿改为“平台字幕 → 公共 DASH 音轨 → yt-dlp 兜底”，HTTP 412 不再原样盲重试。
• 抖音建立 SSR、隔离 Playwright 签名媒体、显式 Cookie yt-dlp、MediaRecorder 的分层回退链。
• 在线转录优先获取最小音频资产，不再为了 ASR 先下载完整视频。
• 默认不读取正在运行的 Chrome Cookie；显式登录态只在对应平台路径使用。
• 新增 ffprobe 完整性校验、分类错误和脱敏 download.trace.json。
• 保留 v0.6.0 的字幕优先、豆包/TeleSpeechASR/FunASR/Whisper、多格式导出、隐私模式和 Web 安全加固。
• Windows 配置兼容 UTF-8 BOM、UTF-8 与旧 GB18030，不依赖系统 UTF-8 Beta 开关。

验证

• 71/71 Python 回归测试通过。
• Python、JavaScript、Shell 语法和发布包构建通过。
• Windows 真实 B站、抖音样本均完成“平台采集 → Whisper → MD/TXT/JSON/SRT”全流程。
• 平台页面和风控会变化，真实验证不代表永久成功率承诺；失败时请查看任务内的脱敏策略追踪。

下载 Video2Doc-v0.7.0.zip，并用同名 .sha256 文件校验完整性。

Video2Doc v0.6.0 — Windows/macOS 兼容、隐私模式与安全加固

重点更新

Video2Doc v0.6.0 是一次面向日常使用和后续迭代的基础版本更新：统一 Windows/macOS 核心运行路径，补齐隐私模式和安全边界，修正前端能力宣传，并建立可复现的正式发布流程。

Windows 与 macOS

• 新增 start-video2doc.cmd 和 start-video2doc.command。
• 自动发现 Windows WinGet/Scoop/Chocolatey/uv/虚拟环境，以及 macOS Homebrew/MacPorts 中的 ffmpeg、ffprobe、curl、yt-dlp 和浏览器。
• Shell 入口统一验证 Python 3.10+，与当前 yt-dlp 的最低版本一致，并避免 Windows Store 无效 python3 别名。
• GitHub Actions 在 windows-latest 和 macos-latest 上运行 Python 3.10/3.11 核心回归、启动器和打包 smoke。
• 环境状态显示 Python、FFmpeg、ffprobe、curl、yt-dlp 与 JavaScript runtime 的本机版本，并离线核对 yt-dlp 最低要求。
• 只有用户点击或执行 --check-updates 才向 PyPI 查询最新稳定版；程序只给出匹配安装形态的升级建议，不会自动升级。
• Dependabot 每周提高 yt-dlp 已测试最低基线，计划 CI 同步在两个系统上重新验证当时的最新稳定版；更新需经 PR 与测试后才会进入发布。

隐私与安全

• 本地文件新增“隐私模式：仅本机识别”。开启后，服务端只允许 FunASR → Whisper，并强制禁止豆包、TeleSpeechASR 和 SiliconFlow 内容增强。
• 默认仅监听 127.0.0.1，移除通配 CORS。
• 修复下载路径穿越、上传文件名越界、DOM XSS、超大请求体和不安全 URL 边界。
• API Key 只从显式环境变量或 ~/.video2doc/config.json 读取，不写入仓库，也不放入子进程参数。

前端与正确性

• 删除“95%+ 准确率”“高清无水印”“永久免费”等缺少验证依据的宣传。
• 明确三个处理入口、字幕优先策略、MD/TXT/JSON/SRT 四种格式和小红书实验状态。
• 增加本机能力状态、云端增强发送范围、隐私模式启用条件和完整开启教程。
• 修复 yt-dlp Cookie 失败重试、Windows 空设备、校正规则、领域参数和单格式结果预览。

正式发布包

• Video2Doc-v0.6.0.zip：Windows/macOS 共用的跨平台源码包。
• Video2Doc-v0.6.0.zip.sha256：ZIP 的 SHA-256 校验值。
• ZIP 内含 RELEASE-MANIFEST.json，记录每个文件的大小和 SHA-256。
• 构建器会排除 .git、缓存、测试、运行输出、媒体和本地凭据，并在发现高置信密钥时中止发布。

从 v0.5.0 升级

1. 下载并解压 v0.6.0 到新目录，不要直接覆盖正在运行的旧目录。
2. 如需保留任务，先备份旧目录中的 output/；发布包不包含运行产物。
3. API Key 继续使用系统环境变量或 ~/.video2doc/config.json。
4. 重新执行 python -m pip install -r requirements.txt 和环境自检。

**网络监听变化：**v0.6.0 默认只监听 127.0.0.1。如需局域网访问，必须显式传入 --host 0.0.0.0；该模式目前没有认证或 HTTPS，请勿用于敏感内容。

验证范围

• 本地 Windows：57/57 Python 回归、Python/JavaScript/Bash 语法和真实浏览器桌面/移动端检查。
• GitHub Actions：Windows/macOS Python 3.10/3.11 核心回归、启动器和发布包 smoke。
• 候选发布包：可复现性、SHA-256、包内清单、执行权限、CRLF/LF、敏感文件排除和解压运行检查。

CI 不调用真实平台媒体或收费 API，因此不代表所有平台页面、账号权限、地区限制、Key 有效性和额度均已端到端验证。

已知限制

• FunASR/Whisper 是可选依赖；首次使用可能联网下载模型。
• “链接转文稿”必须联网获取媒体，不能视为完全离线。
• yt-dlp 更新频繁；可用 python scripts/check_setup.py --check-updates 显式联网检查。YouTube 完整支持还可能需要受支持的 JavaScript runtime/EJS 组件，并受地区、账号和页面变化影响。
• 实验性 Bash CLI 的下载阶段尚未与 Web pipeline 完全统一，正式使用优先选择 Web UI。
• 仓库当前没有开源许可证；请勿自行假定为 MIT 或其他许可证。

完整变更：v0.5.0...v0.6.0

Video2Doc v0.5.0 — 下载全面优化 + 字幕优先 + 文稿增强（大版本）

v0.5.0 大版本：基本全功能可用

下载链路全面优化

• 抖音：iesdouyin 分享接口，无需 cookie/登录，实测一次成功
• 小红书：INITIAL_STATE 解析，cookie 可选
• B站：修复视频轨未合并 bug + 自动抓 AI 字幕

新功能

• 字幕优先：B站有 AI 字幕直接用、跳过 ASR（秒级、免额度）
• content-enrich：转录后自动补摘要+要点+标签

Bug 修复

• B站下载视频轨未合并 / 纯下载路径 404 / 本地转录失败卡死 / 同文件复制报错

三大核心平台（抖音/B站/小红书）下载成功率全面提升。详见 CHANGELOG.md

Video2Doc v0.4.3 — 豆包ASR首选 + 引擎选择机制 + 本地FunASR

v0.4.3

豆包ASR首选

• 接入豆包录音文件识别大模型2.0为云端首选(实测中文准确率78% > TeleSpeechASR 22%)
• 异步submit+query、base64内联、按官方文档处理响应头X-Api-Status-Code

引擎选择机制

• auto(默认): 豆包→TeleSpeechASR→FunASR→Whisper 自动降级
• 手动指定 doubao/tele/funasr/whisper
• 首选额度耗尽时静默切下一级并提示用户

本地FunASR

• Paraformer为本地首选(优先于Whisper), Whisper降末位兜底

前端

• 引擎下拉选择器 + 结果区引擎徽章

详见 CHANGELOG.md

v0.4.2 — 本地转录步骤条修复

🎬 Video2Doc v0.4.2

🐛 修复

• 本地转录步骤条高亮错位：后端本地流水线的状态是 extracting → transcribing → exporting，旧逻辑用全局序号映射，导致「提取音频」阶段错误高亮第 3 步「AI识别」，且「上传文件」永不显示完成。现改为按弹窗分别定义 statusStep 映射，步骤条正确点亮。

🔧 改进

• 下载流水线新增 downloading 状态，进度条更平滑
• 版本号统一为 v0.4.2（前端页脚 / CLI 横幅 / 文档）

✅ 验证

• 前端脚本 node --check 语法通过
• 后端 4 个模块导入正常，HTTP 路由冒烟测试通过
• 本地转录端到端实测通过（MP3 → 提取音频 → TeleSpeechASR → 导出 MD 1111B / SRT 1246B）

🚀 使用方式

python3 webui.py
# 浏览器打开 http://localhost:8765