我目前是这么操作的:
视频→音频→文字→AI修复并总结.
视频→音频, 我用的自己写的软件, 你也可以用 FFmpeg 或相关的GUI工具
音频→文字,我用的 本地大模型 ,见下(这是用过的最快,效果也非常好的离线大模型) Whisper tiny 这类根本不行.
文字修复并总结, 我一般用 豆包来完成.
如果你要离线, 可以用用本地大模型加载 deepseek 7b 或者 qwen32b 来实现.