小红书抖音视频逐字稿提取

逐字稿这件事，我们一度也觉得做完了——短视频逐字稿提取那篇讲的飞书加阿里百炼的路子，免费、能批量，逻辑上没毛病。

但真正让我们决定再做一版的，是我们自己天天用它的时候，反复撞到的几堵墙。

旧方案能用，但它绕

先说清楚，飞书加阿里百炼那条路到现在依然有效，我们也没打算下掉它。它的好处很实在：阿里云每月送十小时免费额度，按一条视频两分钟算能跑三百条，对预算敏感、量又不大的人是很划算的选择。

问题出在路径本身。那套方案的语音识别跑在飞书多维表格的字段捷径里，这意味着你想提一条逐字稿，得先把视频的原始文件链接同步进飞书表格，字段才能去读。但是很多用户在配置飞书的过程中，也有很多意想不到的卡点。

还有就是那条路依赖的百炼模型偏旧（毕竟免费），遇到语速快、有方言、背景音杂的视频，识别会掉字，错字。

二是它给你的是一整段平铺的文字——只有内容，没有时间。

没有时间节奏，这份稿子就废了一半。

一条短视频能不能留住人，钩子卡在第几秒抛出来、铺垫拖了多久、转折落在哪个时间点、结尾的召唤是急收还是慢放，这些全是节奏问题。同样一句话，第 2 秒说和第 8 秒说，效果天差地别。一份平铺的文字稿,根本看不出这些。

所以这一版，我们把提取做回了插件里

从 V0.1.8 起，逐字稿提取被做进了插件本体。你在采集记录上对一条视频直接触发提取，不用再先同步到飞书——原数据本来就在插件里，提取这一步就让它在原地完成，结果直接回填到这条记录。

输出是两份：一份完整逐字稿，方便整段复制、归档、喂给 AI 做改写；一份带时间戳的分句节奏稿，专门拿来看节奏。

两条路我们都留着，按你的场景选

做了第二条路，不代表第一条就该被废。它俩解决的是同一个需求的不同侧面，取舍很清楚：

判断其实简单：只是想拿个大概的文字稿、量大又想省钱，飞书那条免费路够用；要拿来认真拆节奏、或者素材本身识别难度高、错字成本高，就走插件里这条。

还有一点想强调：这套原数据是建在插件本体里的，不依赖飞书。飞书只是众多下游同步去处之一，你不开飞书照样能提、能导出 CSV 或 Markdown。这跟我们做配图文案提取（OCR）那次的思路是一致的——图片文字和视频逐字稿，正好把图文和视频两类笔记的原数据补齐，都让它在插件里原地完成，而不是逼你先搬去别处。

写在最后

回到开头那个问题：既然有了能用的方案，为什么还要再做一遍？

因为"能用"和"好用"之间，差的常常就是一个看起来不起眼的设计决定。逐字稿这件事，某些场景下差的就是精度和时间戳，有它，这份稿子是拿来拆节奏的可靠工具；没它，它只是一段你大概率不会再看第二遍的文字。

如果你也在认真拆视频，装好 MediaClaw 插件，挑一条你最近想拆的爆款，先采下来，再对它提一次带时间戳的逐字稿——小红书和抖音都支持——看看它的钩子到底卡在第几秒。

常见问题

视频逐字稿提取，飞书那条免费路和插件里这条，到底选哪个？ 量不大、只想拿个大概文字稿、又想省钱，用飞书加阿里百炼那条，每月有十小时免费额度。要认真拆节奏、或者素材识别难度高错字成本大，用插件里这条——它调用更准的付费模型，还输出带时间戳的分句稿。两条路我们都保留着。

为什么逐字稿要带时间戳？没有不行吗？ 平铺的文字只能告诉你"说了什么"，带时间戳的分句稿能告诉你"什么时候说的、每句占多久"。拆短视频时，钩子卡在第几秒、铺垫多长、转折落点这些节奏信息全靠时间轴才看得出来。只想存文字，没有时间戳也行；想拆节奏，时间戳是关键。

插件里提逐字稿，一定要配飞书吗？ 不用。原数据建在插件本体里，采集记录上可以直接触发提取，结果回填记录，照常复制、导出 CSV 或 Markdown。飞书只是可选的下游同步去处之一。

抖音的视频也能提带时间戳的逐字稿吗？ 能。小红书和抖音用同一套流程，视频笔记都支持在采集记录上提取逐字稿并输出带时间戳的分句节奏稿。