AI-Media2Doc：开源 AI 视频转图文神器，秒产小红书与公众号多风格内容-盘天下

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

拖入视频/音频文件。

选择目标模板与语言。

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