视频转文字 · Mac
任何一段采访，
都能拿到文字稿
YouTube 的文字稿只在有字幕时才有，别的网站更是没有。贴一个链接，或者拖进一个文件，Vimpo 在你的 Mac 上听写全文，标出谁在说话，一键拷贝成文字，或导出带时间码的 SRT。
更准确的说法是：这是智能体的十年。
This is really a lot more accurately described as the decade of agents.
你觉得到底是什么需要十年才能做到？
What do you think will take a decade to accomplish?
你可以把它想成一个员工，或者一个你招来一起干活的实习生。
You should think of it almost like an employee or an intern that you would hire to work with you.
今天之所以不这么做，是因为它们还不太好用。
The reason you don't do it today is because they just don't work.
它们没有持续学习的能力。你告诉它一件事，它记不住。
They don't have continual learning. You can't just tell them something and they'll remember it.
要把这些问题都解决，大概得花十年。
It will take about a decade to work through all of those issues.
这些内容，都能转成文字
网上的视频贴链接，本机的录音、录像直接拖进来。
3 位说话人采访和播客两三个人的对谈，按说话人分好段。
English讲座和演讲公开课、TED、发布会，拿来做笔记。
.mov · .m4a · .mp3本机的录音录像会议录屏、电话录音、m4a、mp3 都行。
Español → 中文外语视频听写原文，再翻译成中文，两种语言对照。
三步拿到文字稿
- https://www.youtube.com/watch?v=lXUZvyajciY拖进视频或音频.mp4 · .mov · .m4a · .mp31贴链接，或拖进文件
YouTube、B 站、播客网站等 yt-dlp 支持的网站，或者 Mac 上的视频和音频。
- 总是执行下载视频1080p · MP4
- 自带字幕视频带字幕就直接用
- 语音识别MOSS · 分得清谁在说话
- 翻译翻译成 简体中文
2在这台 Mac 上听写视频有字幕就直接用；没有的话，用本地语音模型听写，不上传。
- 拷贝全部字幕Andrej Karpathy — We’re summoning ghosts, not building animals.srt3拷贝全文，或导出 SRT
文字稿右上角一键拷贝；在工作室里导出带时间码的 SRT。
谁说了哪句，一目了然
选 MOSS 模型，每句话都标上说话人。点一下名字就能改，全片一起改。
更准确的说法是：这是智能体的十年。This is really a lot more accurately described as the decade of agents.
你觉得到底是什么需要十年才能做到？What do you think will take a decade to accomplish?
你可以把它想成一个员工，或者一个你招来一起干活的实习生。You should think of it almost like an employee or an intern that you would hire to work with you.
今天之所以不这么做，是因为它们还不太好用。The reason you don't do it today is because they just don't work.
它们没有持续学习的能力。你告诉它一件事，它记不住。They don't have continual learning. You can't just tell them something and they'll remember it.
要把这些问题都解决，大概得花十年。It will take about a decade to work through all of those issues.
拷贝成文字，或导出 SRT
要读、要引用，就拷贝全文；要时间码、要配回视频，就导出 SRT。
Andrej Karpathy 1:21 更准确的说法是：这是智能体的十年。 This is really a lot more accurately described as the decade of agents. Dwarkesh Patel 1:46 你觉得到底是什么需要十年才能做到？ What do you think will take a decade to accomplish?
按说话人分段，带时间。粘贴到备忘录、Pages、Notion 都行。
1 00:01:21,000 --> 00:01:27,000 更准确的说法是：这是智能体的十年。 This is really a lot more accurately described as the decade of agents. 2 00:01:46,000 --> 00:01:49,000 你觉得到底是什么需要十年才能做到？ What do you think will take a decade to accomplish?
每句都有起止时间码，播放器、剪辑软件、YouTube 上传都认。
和其他拿文字稿的办法比
常见问题
YouTube 视频没有字幕，怎么拿到文字稿？
把链接贴到 Vimpo。视频没有字幕时，Vimpo 用本地语音模型（Whisper 或 MOSS）在你的 Mac 上听写全文，然后在文字稿右上角点「拷贝全部字幕」。
能把播客转成文字吗？
能。YouTube、SoundCloud 等 yt-dlp 支持的网站贴链接就行；已经下载好的 mp3、m4a，直接拖进 Vimpo。
能导出成纯文本文件吗？
目前没有 TXT 导出。点「拷贝全部字幕」会把全文拷贝出来，按说话人分段、带时间，粘贴到任何编辑器里保存即可。需要时间码的话，在工作室里用「导出字幕文件…」存成 SRT（或 ASS）。
能分出是谁在说话吗？
能。语音识别选 MOSS 模型，它会给每句话标上说话人。点一下说话人的名字，就能给 TA 起名，全片一起改；拷贝出来的文字也会用这个名字。
视频会被上传吗？
不会。下载和语音识别都在你的 Mac 上进行。只有开启翻译时，字幕文字会发给你自己选的 AI 服务；用 Ollama 或 LM Studio 的本机模型，就完全不出你的 Mac。
支持哪些语言？
Whisper 能听写英语、中文、日语、法语、西班牙语、韩语等近百种语言；翻译可以译成中文、英语、日语等十多种语言。
Vimpo 收费吗？
Beta 期间完全免费。正式版是一次性买断，不订阅。语音识别用本地模型，一直免费；翻译这类 AI 功能，用你自己的 LLM API key。
有 Windows 版吗？
没有。Vimpo 是原生 Mac 应用，需要 macOS 15.6 或更高版本。