我用 AI 花一小时做了个抖音转文字工具,把全过程拆给你看

刷到一条干货口播，想存成文字反复看。

收藏等于吃灰，手动打字打到手酸，网上的转写工具要么收费，要么断句烂、要么加水印。

这种破需求，我没自己写一行代码。打开 WorkBuddy，挂了两个抖音技能，把需求一说，一小时后工具跑起来了：粘贴链接，十几秒，一整篇带分段的文字稿就出来，能复制能下载，不登录、不收费。

这篇不空谈，我把从找技能、提需求、遇到报错、到迭代改 UI、再到接上 AI 和飞书 的全过程，按我自己的操作步骤原原本本拆给你看。你照着做，要么直接用上工具，要么学会怎么让 AI 帮你造一个。

很多人用 AI 做东西做不成，是因为一上来就让它"给我做个 XX"，它脑子里没这个领域的东西，只能瞎编。

WorkBuddy 里有个地方叫 SkillHub（技能中心），别人把"怎么干某件事"的完整流程封装成了技能，你挂上它，AI 就等于提前学会了这门手艺。

我是这么找的：

在 SkillHub 搜索"抖音"，选用下载器和转文字两个技能

四个动作：

1、点左下角（或顶部）的 「专家·技能·连接器」

2、搜索框直接搜 「抖音」

3、进入 SkillHub

4、把 「抖音下载器」和「抖音视频转文字」这两个技能选用上

为什么是这两个？一个负责把抖音视频的真实地址、字幕、信息抓下来，一个负责把没有字幕的视频用语音识别转成文字。两个一配，抖音转文字这件事的底层能力就齐了。

这一步的关键：先备料，再开工。你让 AI 干一件它不熟悉的事之前，先去技能中心搜一圈，有没有现成的能力可以挂。这能省掉后面一半的坑。

技能挂好后，就回到对话框，把你要的东西像给外包提需求一样写清楚。

我当时是这么发的（这段话你可以直接抄去改）：

请开发一个网站，用户粘贴抖音视频链接后，自动提取完整文字稿并展示。要包含链接输入区、提交按钮、结果展示区；校验链接格式；提取中显示加载状态；失败给清晰错误提示；结果按时间分段显示；提供一键复制和下载 txt；界面简洁、响应式适配手机；不需要登录；确保文字稿完整，不遗漏字幕或正文。

注意我没有说"用什么技术栈""几个文件"，我只说我要什么效果。技术选型让它自己定。

挂载技能后发送需求，AI 自动完成开发并启动服务

然后它就开始干了：建项目、写后端抓取、写前端页面、装依赖、启动服务。大概一个小时，给我回了一句：

抖音文字稿提取网站已完成，已在 http://localhost:3000 运行

浏览器打开，真能用。链接粘进去，文字稿就出来了。

很多人卡在这一步，是因为需求太模糊（"帮我做个转文字的"），AI 只能猜。你把"要有什么、不要什么、失败了怎么办"讲明白，它交付的东西天差地别。

AI 最擅长的事之一，就是自信地告诉你它做完了，但细节里全是窟窿。所以它交付后，我没急着高兴，而是对着自己当初的需求一条条对。

功能对照表，以及开发中解决的两个关键技术问题

这是它给我的实现对照，我一条条验：

✅ 链接输入、格式校验、加载状态、错误提示

✅ 按时间分段、一键复制、下载 txt

✅ 响应式、免登录

功能确实都在。但真正有含金量的，是它在做的过程中自己撞上来、又解决掉的一个硬骨头，这才是这类工具能不能跑通的命门：

抖音反爬。直接请求电脑版抖音页面，拿到的是个空壳——电脑版是单页应用，内容全靠浏览器加载完再用 JS 填进去，程序去抓只能抓个架子，旧接口也早废了。最后是换成请求手机版分享页，服务器把数据直接渲染在页面里，一次就通。

这一步我想强调的是：AI 给你的不是成品，是"待验收的初稿"。

你要做的不是替它写代码，而是对着需求逐条验，在它卡住的地方知道该往哪推。它说"成功了"，你得自己点一遍。

工具跑起来，我兴冲冲拿了条七分多钟的视频去测——结果翻车了，页面提示"网络异常或服务不可用"。

报错排查：不是提取逻辑问题，而是后台进程退出了

要是以前我可能就放弃了。但这次我把报错截图直接丢回给它，让它查。

查出来的真相有点反直觉：不是提取逻辑有问题。我把那条视频单独跑了一遍，识别其实是成功的——448 秒的视频，转出 256 段、2198 个字，耗时 12.3 秒。

真正的原因是：服务进程跟着启动它的会话一起退出了，所以第二次请求时后台已经没人了。

于是我让它做了两件事：

1、给服务加进程级错误捕获，单个请求出错不再拖垮整个服务；

2、做了一个 「启动服务.bat」，双击在独立黑窗口里运行，窗口不关，服务就一直在。

修完再测，稳了。

这一步是大多数人用 AI 做东西的分水岭。

报错不可怕，可怕的是一报错就觉得"这工具不行"。你要做的是把错误信息原样喂回去，让它定位、让它修，你负责判断它说的原因对不对。它是个手很快但偶尔不靠谱的搭档，不是一锤子买卖的外包。

能用之后，我又提了两个真实使用中冒出来的需求。

第一个：我要一份不带时间戳的纯净稿。

它默认给的是"[00:12] 某某某"这种带时间的分段，我想把稿子整段复制走发人、存档，带时间戳太脏。于是我跟它说："我还要一份完整的文字稿，复制的时候没有时间。"

它就加了一块纯净文字稿区，按句子自动合并成自然段，并多了三个按钮：

复制文字稿：纯净正文，不带任何时间戳

下载 .txt：存成本地文件

复制（含时间戳）：需要对时间点的时候用

第二个：UI 被按钮撑坏了。

第一次改版后，三个按钮挤一行，后面两个按钮的字被挤成了竖排。我截了个图圈出来发给它，它立刻把布局改成：主按钮独占一整行，两个次要按钮各占一半，加了不换行规则，手机上还会自动纵向堆叠。

增加无时间戳纯净稿，三个按钮布局重新调整

你看，从"能用"到"好用"，就是这样一轮一轮喂需求喂出来的。别想着一次到位，先用起来，哪里不爽改哪里。

工具用了几天，新的麻烦冒出来了：我转了十几条视频，结果全堆在一个页面里，想找回之前那条得翻半天；有时候想一次性丢五六个链接进去，也只能一条一条粘。

我跟它说："我要一个侧边栏，分成单条转写、批量转写、文案库三个入口。转写过的东西自动存进文案库，随时能搜、能看、能再加工。"

没一会儿，整个界面换成了左右分栏的工作台：

左侧侧边栏三视图：单条转写、批量转写、文案库

左边是三个导航，右边是对应视图，互不干扰。

单条转写保持原来最轻的样子——粘链接、出结果、复制下载。但结果区下方多了一排 AI 智能加工入口（后面第七步细讲），还多了一个"上传到飞书"按钮。

批量转写是我这次最想要的：把多个抖音链接（或者整段分享文案）一次粘进去，每行一个，它自动排队处理，每条的状态实时刷新——排队中、识别中、已完成、失败，一目了然。转完全部自动入库，不用手动存。

一次粘贴多个链接，自动排队处理并入库

文案库就是本地的素材池。所有转写过的视频按卡片排列，显示标题、作者、时长、字数和正文预览，顶部有搜索框，输关键词即时过滤。每条卡片下方有两个按钮："AI 加工"和"上传飞书"，卡片底部还会显示这条记录已经做过哪些 AI 分析，以及飞书上传状态。

转写记录卡片化，支持搜索、AI 加工、上传飞书

到这一步，它已经不是一个"转写页面"了，是一个素材处理工作台。转写只是入口，后面的加工、管理、归档才是真正花时间的地方。工具不要追求一步到位，但要让它跟着你的使用痕迹长。

转写解决的是"把视频变成字"，但真正费脑子的是后面——这条视频哪里值得抄？结构是什么样的？戳了什么痛点？能改写成什么选题？

以前这些全靠我自己边看边记。现在我让 AI 在工具里直接干。

在任何一条转写结果上点"AI 加工"，右侧会滑出一个抽屉，六个动作排两列：

六个 AI 动作：金句、结构、痛点、选题、小红书、公众号

六个动作分别干这些事：

提炼金句：把整条视频里最有传播力的句子挑出来，直接能当文案素材

拆解爆款结构：从开头钩子、核心观点、论证方式、情绪节奏、结尾引导，一层一层拆开，告诉你它为什么让人看得完

挖掘痛点：列出这条视频戳中的痛点清单，标出"最痛的那一个"，并给出切入角度

选题建议：基于这条视频的主题，生成 8-12 个可延展的选题，再推荐 3 个最值得做的

小红书笔记：直接改写成小红书风格的笔记草稿

公众号大纲：生成公众号文章的结构大纲

比如拆解结构，它给出的不是泛泛而谈，而是按【开头钩子】【核心观点】【论证方式】【情绪节奏】【结尾引导】【可复用点】六个标签逐项输出：

按标签逐项拆解爆款结构，可直接复用

这些分析结果会自动保存在那条记录里，下次打开还在。你做了几个动作，文案库卡片上就亮几个标签，不会丢。

AI 这一层我做成了可插拔的。默认用内置的 Groq 大模型（免费额度，开箱即用），如果你有自己的 OpenAI 兼容接口——公司内部模型、第三方兼容 API——在设置里填一下 API 地址、密钥和模型名，所有 AI 动作就全部走你自己的模型。

支持自定义 OpenAI 兼容接口，不填则用内置免费模型

这一步我最大的感受：AI 工具的价值不在"生成"，在"接住你的下游"。

转写只是把素材搬进门，真正省时间的是后面那些"看完之后要动脑"的环节。你让 AI 把这些环节也包了，工具就从"录制笔"变成了"策划助理"。

最后一块拼图，是归档。

我自己在用飞书多维表格管素材库——每条视频对应一行，字段包括标题、链接、作者、文案原文、金句、结构拆解、痛点、选题建议、我的启发……一共二十多个字段。以前转写完，得手动复制粘贴到每一列，一条视频折腾五六分钟。

我跟它说："给我接飞书。我填 app_id、app_secret 和多维表格链接，你自动鉴权连上；表里缺什么字段你自动建；文案库里每条记录旁边放一个按钮，点一下就按字段映射写进去，AI 分析结果也一起带过去。"

连接只需要三个东西：飞书应用的 App ID、App Secret，以及多维表格的链接（Base 链接和知识库链接都支持，自动解析）。

填入 App ID、Secret 和表格链接，一键测试连接（敏感信息已打码）

填完点"测试连接"，它会自动鉴权、解析出 app_token / table_id / view_id、拉取现有字段列表。知识库链接会先调 wiki 接口换成 bitable 的 app_token，再去连表。

字段映射是可视化的。设置里"字段映射"标签页，左边是工具内部字段名，右边是飞书表里对应的列名，想改哪列直接改输入框。

内部字段与飞书列名一一对应，可自由修改

点"同步字段"时，它会对比映射表和飞书现有列：缺的自动建，重复的标记出来让你选删哪个，已有的不动。而且是"类型感知"的——文本列写文本、数字列写数字、日期列写毫秒时间戳、超链接列写链接对象，不会把日期写成字符串。

文案库里每条卡片有"上传飞书"按钮，点一下整条记录（原文 + 六个 AI 分析结果）就按映射写进飞书。成功后按钮变"已上传"并显示记录 ID。顶部还有"上传全部到飞书"批量入库。

更细的处理：AI 返回的结构分析是一整段文本，但飞书表里"开头钩子""核心观点""可复用点"是分开的三列。写入时自动用正则把【开头钩子】【核心观点】【可复用点】拆出来分别填入——不是一坨文本扔进去完事。

这是我实际上传后的飞书多维表格，序号、视频标题、视频链接、作者、文案原文、开头钩子、核心痛点、解决方案、情绪曲线……每一列都按字段映射自动填好了：

上传后飞书多维表格中的素材记录，各字段自动填入

至此整个链路闭合了：

从"看到一条好视频"到"素材进库、分析到位"，以前至少二十分钟的手工活，现在两三分钟。

如果你不想走一遍制作过程，只想把工具用起来，照着下面做。

准备两样东西：

1、Node.js：去 nodejs.org 下载 LTS 版本装好，命令行输 node -v 能看到版本号即可。

2、ffmpeg：Windows 去 gyan.dev 下载 full 版本，解压后把 bin 目录加到系统环境变量 PATH。

💡 语音识别和 AI 加工用的 Key 项目里已经内置了，开箱即用，你不用自己申请。想用自己的额度或其他 OpenAI 兼容模型，在设置的"AI 模型"里填 API 地址、密钥和模型名即可。飞书联动是可选的，不用也完全不影响转写和 AI 加工。

然后：

1、下载源码 👉 github.com/Zorianchen/douyin-transcribe，解压到本地文件夹。

2、文件夹地址栏输 cmd 回车，运行 npm install

3、双击 「启动服务.bat」，看到本地地址就成了。

4、浏览器打开，把抖音链接（甚至整段分享文案）粘进去，它会自动识别链接，点「提取文字稿」。

粘贴整段分享文案，自动识别出抖音链接

等十几秒，结果就出来了：上面是按时间分段的稿子，下面是一份不带任何时间戳的完整文字稿，三个按钮各管一摊——复制纯净稿、下载 txt、复制带时间戳版本。

无时间戳完整文字稿，一键复制或下载

转写完的记录会自动进文案库，想做 AI 加工就点卡片上的"AI 加工"，想归档飞书就点"上传飞书"。整个过程不登录、不上传你的数据到第三方，视频和临时文件都在你自己电脑上处理。

最后

说实话，这工具核心代码也就几百行，不算多复杂。

但做下来我最大的感受是：现在用 AI 造东西，难的早就不是写代码了。你把需求一说，它几秒能给你生成一大堆。真正难的是三件事——

它像一个手很快但不太靠谱的实习生。你要做的从来不是替它干活，而是当那个会验收、会纠偏、会在它卡住时推一把的人。

第一版只是起点。真正让工具变得值钱的，是你用着用着冒出来的那些"要是能再多一步就好了"——想要批量、想要 AI 帮你想、想要自动归档到飞书。每一个这种念头，丢回给它，都是下一轮迭代。

源码和启动脚本都放 GitHub 了（github.com/Zorianchen/douyin-transcribe），想用的直接拿走，想改成自己版本的随便折腾。

有问题留言区聊 👇