AI-Media2Doc介绍

AI-Media2Doc是一款基于 AI 大模型的开源 Web 工具，

能够一键将视频和音频内容转化为多种文档风格

，包括小红书推文、微信公众号文章、知识笔记、思维导图和视频字幕等，无需登录注册即可使用，并支持前端 ffmpeg wasm 处理、Docker 一键部署及自定义 Prompt 等功能，同时保障隐私安全与本地部署体验，极大降低 AI 内容创作门槛。


AI-Media2Doc工具概览


  • 产品定位

    ：Web 端 AI 视频图文创作助手，一键把多媒体内容转成结构化文档，支持二次问答与字幕导出。

  • 使用门槛

    ：纯前端处理，浏览器直接跑 ffmpeg.wasm，无需安装本地 FFmpeg。

  • 价格模型

    ：完全开源，MIT 许可，个人与企业均可免费二次开发。


AI-Media2Doc核心亮点

  • ✅

    完全开源

    ：MIT 协议授权，支持本地部署。
  • 🔒

    隐私保护

    ：无需登录注册，任务记录保存在本地
  • 💻

    前端处理

    ：采用 ffmpeg wasm 技术，无需本地安装 ffmpeg
  • 🎯

    多种风格支持

    ：支持小红书/公众号/知识笔记/思维导图/内容总结等多种文档风格支持。
  • 🤖

    AI 对话

    ：支持针对视频内容进行 AI 二次问答。
  • 🎬

    支持字幕导出

    : 结果一键导出为字幕文件。
  • 🖼️

    智能截图

    : 基于字幕信息智能截图并插入文章, 无需视觉大模型, 实现真正的图文并茂。
  • 🎨

    支持自定义 Prompt

    ：支持在前端自定义配置 prompt。
  • 🐳

    一键部署

    ：支持 Docker 一键部署。
  • 🔒

    支持设置访问密码

    : 后端设置访问密码之后, 前端用户需要填写该密码才可以正常使用。


AI-Media2Doc技术架构


ffmpeg.wasm 前端转码

通过 WebAssembly 把 FFmpeg“搬进”浏览器，完成切片、抽帧、音轨提取等重活，无需后端 GPU。


fast-whisper 本地语音识别

未来版本将接入 fast-whisper，大幅降低长音频转写成本，同时保留 Whisper 的多语言准确率。

小贴士：Whisper 系模型在医疗等高敏领域存在“幻听”风险，上线前可按场景做后处理校正。


AI-Media2Doc部署与使用


Docker 一键部署

# 克隆仓库
git clone https://github.com/hanshuaikang/AI-Media2Doc.git
cd AI-Media2Doc

# 构建镜像
make docker-image

# 填写 variables.env（API 密钥、TOS 存储等）
# 运行
make run

部署整套环境通常 <10 分钟；若需限制内网访问，可在后端配置访问密码。


浏览器即用

  1. 拖入视频/音频文件。
  2. 选择目标模板与语言。
  3. 点击「开始转换」，数十秒后获得结构化文档，可一键复制或导出 SRT。


AI-Media2Doc未来规划

  • 集成 fast-whisper 本地模型，离线转写更快更省。
  • 增强 Prompt 市集，分享行业最佳实践。
  • WebRTC 录屏直传，支持边录边转。


AI-Media2Doc适用场景

场景 价值
教培机构复盘课堂视频 快速生成讲义、思维导图
创作者剪辑 vlog 自动出字幕与小红书图文
企业会议纪要 生成要点摘要与知识库条目
课程平台运营 批量把课程音频转公众号推文

MIT 许可意味着可随意改功能、嵌 SaaS、商业发行，只需保留版权声明，避免因闭源版权纠纷踩坑。

借助 AI-Media2Doc，视频时代的“内容二创”门槛被拉到最低：资料上传→文稿下载，中间只隔一个进度条。


AI-Media2Doc 如何使用

GitHub地址：

https://github.com/hanshuaikang/AI-Media2Doc