Skip to content

fangyuan99/audiototxt

BranchesTags

Repository files navigation

AudioToTxt

Made with Python Powered by yt-dlp Get Gemini key

English | 简体中文 | Get a gemini key

👉 FastAPI（Web UI）

English

What it does

Transcribe audio to text with Google Gen AI. You can authenticate either with a Gemini API key or with a Vertex AI service account JSON. YouTube links are sent directly to Gemini without downloading the video first. Support direct video URL download with automatic proxy detection. Support Douyin short-link/share-text via Tiksave to fetch MP3 direct link and then transcribe. Default model is gemini-2.5-flash.

Tested in this project with YouTube (built-in --youtube, public videos only). Use in compliance with sites' ToS and local laws.

Setup

pip install -r requirements.txt

If you want to run the Telegram bot, create .env from .env.example and fill in:

cp .env.example .env

Or install manually:

pip install google-genai
pip install google-auth
pip install yt-dlp
pip install requests

Optional: install ffmpeg for more robust audio extraction. Without it, the script falls back to the original audio format.

Authentication

  • Option A: Gemini API key
    • Environment variable GOOGLE_API_KEY (or GEMINI_API_KEY)
    • Windows CMD: set GOOGLE_API_KEY=YOUR_KEY
    • PowerShell: $env:GOOGLE_API_KEY="YOUR_KEY"
    • macOS/Linux: export GOOGLE_API_KEY="YOUR_KEY"
  • Option B: Vertex AI service account JSON
    • CLI: --auth-mode vertex_ai_json --vertex-json /path/to/service-account.json --vertex-project YOUR_PROJECT --vertex-location us-central1
    • Web UI: select Vertex AI service account JSON, upload the JSON file, and fill project/location if needed
    • Environment fallback: GOOGLE_APPLICATION_CREDENTIALS or VERTEX_SERVICE_ACCOUNT_FILE
  • --auth-mode defaults to gemini_api_key

Proxy Configuration

The program automatically uses proxy settings from system environment variables. Supported environment variables:

  • HTTP_PROXY / http_proxy: HTTP proxy
  • HTTPS_PROXY / https_proxy: HTTPS proxy

You can also override system proxy settings via command line arguments:

python main.py --video-url URL --proxy http://127.0.0.1:7890

Usage

  • Local audio:

    python main.py --audio ./path/to/audio.m4a --lang en --api-key YOUR_KEY

  • Telegram bot:

    python telegram_bot.py
    • Required in .env: ENV_BOT_TOKEN, ENV_BOT_SECRET
    • If you start python fastapi/run.py with the same .env, the FastAPI process will also start Telegram polling automatically
    • First use in Telegram: send /start, enter the password, then use Telegram's left command menu to trigger /setauth and /setsource
    • /setauth and /setsource no longer show chat buttons; after triggering them, just reply with gemini / vertex or audio / youtube / video_url / douyin
    • Gemini mode: use /setkey <Gemini API Key> or trigger /setkey from the left command menu
    • Vertex mode: use /setvertexjson / /setvertexproject / /setvertexlocation, or trigger them from the left command menu
    • The bot persists each Telegram user's auth settings, model, prompt, and source type
    • Transcript output is streamed in Telegram by incremental message updates, and the final .txt file is sent after completion

  • YouTube (Gemini reads the public YouTube URL directly, no local download):

    python main.py --youtube https://www.youtube.com/watch?v=VIDEO_ID --lang en --api-key YOUR_KEY

  • Video direct link (auto download video, extract audio to ./data and transcribe):

    python main.py --video-url https://example.com/video.mp4 --lang en --api-key YOUR_KEY

  • Douyin short link or share text (via Tiksave: extract MP3 direct link, download to ./data and transcribe):

    python main.py --douyin "复制这条口令 https://v.douyin.com/xlaEmh_fVPg/ 打开Dou音..." --lang en --api-key YOUR_KEY
    • The program posts to downcats.com with your share text, parses returned HTML for the “Download MP3” link, downloads MP3 as ./data/douyin_{TikTokId}.mp3 (or timestamped if missing), then transcribes.

  • Proxy:

    python main.py --youtube URL --api-key YOUR_KEY --proxy http://127.0.0.1:7890

  • Model selection:

    python main.py --audio ./a.mp3 --model gemini-2.5-flash --api-key YOUR_KEY
python main.py --audio ./a.mp3 --auth-mode vertex_ai_json --vertex-json ./service-account.json --vertex-project YOUR_PROJECT

Output

  • Streams incremental transcript to stdout
  • Saves the full text to a .txt file
    • Local audio: same basename as the input
    • YouTube/Douyin: ./data/<basename>.txt

CLI options (excerpt)

  • --audio, --youtube, --model, --lang, --out
  • --proxy, --proxy-http, --proxy-https
  • --auth-mode, --api-key
  • --vertex-json, --vertex-project, --vertex-location
  • env vars: GOOGLE_API_KEY/GEMINI_API_KEY, GOOGLE_APPLICATION_CREDENTIALS, VERTEX_SERVICE_ACCOUNT_FILE, VERTEX_PROJECT, VERTEX_LOCATION

简体中文

功能特性

  • 本地音频转写（WAV/MP3/M4A 等常见格式）
  • 直接通过 Gemini 读取 YouTube 链接并转写（仅支持公开视频，无需先下载）
  • 视频直链下载和音频提取（自动使用系统代理）
  • 抖音分享口令/短链通过 Tiksave 提取 MP3 直链后下载并转写
  • 流式输出到标准输出，同时将完整文本保存为 .txt
  • 提供 --lang 语言提示与 --model 模型选择
  • 支持代理：--proxy / --proxy-http / --proxy-https
  • 自动使用系统环境变量中的代理设置

支持网站

  • 当前已在本项目中亲测站点：
    • YouTube（命令行内置 --youtube，通过 Gemini 直连转写）

请在遵守各网站服务条款与当地法律的前提下合规使用。

环境与安装

  1. 安装依赖（建议使用虚拟环境）：
pip install -r requirements.txt

或者手动安装：

pip install google-genai
pip install google-auth
pip install yt-dlp
pip install requests

2)（可选）安装 ffmpeg：用于更稳定的音频提取与转码。未安装时，程序会自动回退为原始音频格式。

  1. 如需启用 Telegram 机器人，先复制环境变量示例并填写：
cp .env.example .env

至少需要：

  • ENV_BOT_TOKEN: Telegram BotFather 创建的机器人 token
  • ENV_BOT_SECRET: 首次 /start 时用户需要输入的密码

配置认证

  • 方式一：Gemini API Key
    • 设置环境变量 GOOGLE_API_KEY（或 GEMINI_API_KEY）
    • Windows CMD: 
      set GOOGLE_API_KEY=你的密钥
    • PowerShell: 
      $env:GOOGLE_API_KEY="你的密钥"
    • macOS/Linux: 
      export GOOGLE_API_KEY="你的密钥"
  • 方式二：Vertex AI service account JSON
    • 命令行： 
      python main.py --audio ./path/to/audio.m4a --auth-mode vertex_ai_json --vertex-json ./service-account.json --vertex-project YOUR_PROJECT --vertex-location us-central1
    • Web UI：在“API 配置”里选择 Vertex AI service account JSON，上传 JSON 文件并填写项目/地域
    • 环境变量兜底：GOOGLE_APPLICATION_CREDENTIALS 或 VERTEX_SERVICE_ACCOUNT_FILE

代理配置

程序会自动使用系统环境变量中的代理设置，支持以下环境变量：

  • HTTP_PROXY / http_proxy: HTTP代理
  • HTTPS_PROXY / https_proxy: HTTPS代理

设置示例：

  • Windows CMD: 
    set HTTP_PROXY=http://127.0.0.1:7890
set HTTPS_PROXY=http://127.0.0.1:7890
  • PowerShell: 
    $env:HTTP_PROXY="http://127.0.0.1:7890"
$env:HTTPS_PROXY="http://127.0.0.1:7890"
  • macOS/Linux: 
    export HTTP_PROXY="http://127.0.0.1:7890"
export HTTPS_PROXY="http://127.0.0.1:7890"

也可以通过命令行参数覆盖系统代理设置：

python main.py --video-url URL --proxy http://127.0.0.1:7890

基本用法

  • 本地音频转写：

    python main.py --audio ./path/to/audio.m4a --lang zh --api-key YOUR_KEY
python main.py --audio ./path/to/audio.m4a --auth-mode vertex_ai_json --vertex-json ./service-account.json --vertex-project YOUR_PROJECT

  • Telegram 机器人：

    python telegram_bot.py
    • 如果你是用 python fastapi/run.py 启动 Web 服务，只要同一个 .env 里配置了 ENV_BOT_TOKEN 和 ENV_BOT_SECRET，FastAPI 进程也会自动启动 Telegram polling
    • 首次使用：在 Telegram 中发送 /start，按提示先输入 ENV_BOT_SECRET
    • 验证通过后，使用 Telegram 左下角命令菜单完成配置，不再显示常驻底部键盘
    • /setauth 与 /setsource 不再弹按钮，触发后直接按提示回复参数即可
    • 常用命令包括 /settings、/setauth、/setkey、/setvertexjson、/setvertexproject、/setvertexlocation、/setmodel、/setsource、/setprompt、/resetprompt、/cancel
    • 也支持直接发送 /setauth gemini、/setsource audio 这类带参数命令
    • 机器人会按 Telegram 用户分别保存这些配置
    • 转写过程会流式输出，完成后会附带 .txt 文件

  • 直接处理 YouTube 链接（通过 Gemini 直连转写，不先下载视频）：

    python main.py --youtube https://www.youtube.com/watch?v=VIDEO_ID --lang zh --api-key YOUR_KEY

  • 处理视频直链（自动下载视频，提取音频到 ./data 后转写）：

    python main.py --video-url https://example.com/video.mp4 --lang zh --api-key YOUR_KEY

  • 处理抖音分享口令或短链（通过 Tiksave 提取 MP3 直链，下载到 ./data 并转写）：

    python main.py --douyin "0.25 aNJ:/ ... https://v.douyin.com/xlaEmh_fVPg/ 复制此链接，打开Dou音搜索，直接观看视频！" --lang zh --api-key YOUR_KEY
    • 程序会向 downcats.com 提交你的分享文案/短链，解析返回的 HTML，提取“下载 MP3”按钮的直链，将音频保存为 ./data/douyin_{TikTokId}.mp3（若缺失则用时间戳），随后进行转写。

  • 使用代理（如本地 HTTP 代理 127.0.0.1:7890）：

    python main.py --youtube URL --api-key YOUR_KEY --proxy http://127.0.0.1:7890

  • 指定模型：

    python main.py --audio ./a.mp3 --model gemini-2.5-flash --api-key YOUR_KEY

输出说明

  • 转写时会将增量结果流式打印到标准输出
  • 若使用 --out 指定文件路径则保存到对应位置；未指定时：
    • 处理本地音频：保存为与音频同名的 .txt
    • 处理 YouTube/抖音：保存到 ./data/同名.txt

抖音（Tiksave）注意事项

  • 该功能依赖第三方服务 Tiksave 的可用性，若接口或页面结构变化，可能导致解析失败。
  • 若访问 Tiksave 较慢或失败，请确认你的网络或代理设置是否可访问境外站点。

可用参数（摘录）

  • --audio: 本地音频文件路径
  • --youtube: YouTube 视频链接（Gemini 直连转写，仅支持公开视频）
  • --video-url: 视频直链URL（自动下载视频并提取音频）
  • --douyin: 抖音分享口令或短链（自动解析并下载音频）
  • --model: 模型名称（默认 gemini-2.5-flash）
  • --lang: 语言提示（如 zh/en/ja）
  • --out: 输出文本路径（可选）
  • --media-resolution: YouTube 直连时传给 Gemini 的媒体分辨率，默认 low
  • --proxy / --proxy-http / --proxy-https: 代理设置
  • --auth-mode: gemini_api_key 或 vertex_ai_json
  • --api-key: Gemini API Key（或使用环境变量）
  • --vertex-json: Vertex AI service account JSON 文件路径
  • --vertex-project / --vertex-location: Vertex AI 认证参数

About

A python script based on gemini and yt-dlp can extract text scripts of local audio or online video. 一个基于 gemini 和 yt-dlp 的 python 脚本，可以提取本地音频或者在线视频的文字稿。

audiototxt-five.vercel.app

Resources

Readme
Activity

Stars

19 stars

Watchers

0 watching

Forks

1 fork
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages