看视频经常一句话没听清，拖回去重听好几遍还是听不清。试了现有的转写工具，发现它们只用音频——恰恰是我听不清的词，它们也转不对（幻灯片上的术语、代码里的名词，声音里根本猜不出来）。
所以做了 Vid2notes：转写时不只听声音，还抽帧看画面。Whisper 转文字，多模态模型拿着字幕对着截图一起读，输出带截图、章节、时间戳和 AI 总结的图文笔记，可导出 Markdown / SRT / VTT 。
支持最长 10 小时的视频，常见格式都行。
技术栈给感兴趣的 V 友：全栈 Cloudflare （ Workers AI 跑 Whisper + GLM ，Rust + FFmpeg 跑在 Containers 里），按视频 MD5 缓存不重复算。
每天免费 3 个视频，不用绑卡：vid2notes
最想知道的反馈：准确率在你的视频上怎么样，尤其是带幻灯片/代码的教学视频。欢迎拍砖 🙏
这是一个专为移动设备优化的页面（即为了让你能够在 Google 搜索结果里秒开这个页面），如果你希望参与 V2EX 社区的讨论，你可以继续到 V2EX 上打开本讨论主题的完整版本。
V2EX 是创意工作者们的社区，是一个分享自己正在做的有趣事物、交流想法，可以遇见新朋友甚至新机会的地方。
V2EX is a community of developers, designers and creative people.