文章验证并补全 ContextSearch、yt-dlp、CapsWriter Offline 组成的视频转文字链路：浏览器右键取 URL，yt-dlp 下载音视频，CapsWriter 离线转写。关键更新是组合脚本推荐 AHK 而非 Python；新版 Chrome/Edge 的 Cookie 无法被 yt-dlp 读取，需用 Get cookies.txt LOCALLY 导出 cookies.txt；CapsWriter 推荐 axutongxue 2.6 魔改版，内置双模型，支持右键一键和 txt/SRT/json 导出。文章还提醒用绝对路径、文件名避特殊符号、调试用 cmd /k，便于复现并延伸到图文笔记或字幕配音。
本文是AI音视频实战下篇，聚焦视频生产，横向对比Pixelle-Video、Remotion、Hypit、video-talkcraft、VideoClaw五个方案，梳理流程、配置、成本与合规边界。结论是2026年路线分化为纯代码渲染、全自动流水线和多智能体导演，成本结构与能力边界各异；成熟流水线采用音频优先，先出配音再用时长反推分镜，时间戳是唯一事实源。选型须前置审查授权，如Hypit禁止多租户SaaS和商业再分发、Remotion自动化最低100美元/月、video-talkcraft授权未明，并量化验收、素材落盘、数据标采集日期。读者可据此按显存、规模和商用需求选路线，避开音画不同步、授权与成本陷阱。
2026年个人音视频生产门槛下降，核心问题变为如何稳定、低成本完成。本文上篇拆解音频侧三条链路：语音克隆与TTS、可编辑音乐生成、会议录音与麦克风替代。语音选型按硬件和语言匹配：GPT-SoVITS生态全，VoxCPM2强在方言多语，MOSS-TTS-Nano可四核CPU流式运行，AuK统一16项任务但显存门槛高。音乐侧YuE2以ABC乐谱编辑旋律和弦，ACE-Step侧重音频域编辑。会议侧Meetily本地优先但社区版无说话人分离，MicYou把手机变麦克风。
介绍一款基于开源项目 video-Ai-note 改造的本地视频转图文笔记工具，免费且可无限使用。相比 GET 笔记、通义听悟、百度网盘等，它能自动截取关键画面并生成更精准的图文笔记。内置 Qwen3-ASR、FunASR-Nano 离线语音转文字，生成笔记需配置 AI 模型 API。文本模式靠字幕推断高光截图，有简洁、详细、学术、创意四种风格；视觉模式抽帧理解画面，截图更准但更耗 token 和时间，适合短视频。导出支持 Markdown、Word、PDF，Markdown 可 base64 嵌图永久保存，默认附带时间轴字幕。软件免安装，限 Win10 以上，Mac 可用虚拟机。
CapsWriter-Offline-STT v2.3是一款基于CapsWriter-Offline 2.6重构的离线音视频转文字工具，重点服务于离线转录场景，不追求实时低延时。其优势包括：可从文件右键菜单一键启动并显示模型加载与转录进度；内置Qwen3-ASR-1.7B和Fun-ASR-Nano两个离线语音识别模型；支持在托盘图标中设置导出格式（txt、SRT、json及合并txt）；可开启GPU加速。仅确认在Windows 10上测试通过，支持Windows 11，不保证Windows 7可用。提供两种安装方式：直接下载含模型的完整压缩包（约3.3G）解压即用，或从GitHub下载主体后手动放入三个模型文件夹。若启动报错缺DLL，需安装VC++运行库。使用时需避免文件名或路径含空格及特殊符号。
本期魔改软件链接（只有30天有效期，随缘取之）： 【【瑟谷智学魔改】CapsWriter-Offline-Windows-64bit.zip】 https://t3.znas.cn/glSKXd0bxD5 提取码:9677 到期了@瑟谷智学小助手：我再续期
根据“ContextSearch + yt-dlp + CapsWriter Offline”这一特定的工具组合，这是一套非常经典的在线视频本地化转文字方案。 这套方案的核心逻辑是： ContextSearch (浏览器扩展)：作为触发器，获取当前视频的 URL。 yt-dlp (命令行工具)：作为
