问答
怎么把 Instagram Reel 里说的话转成文字?
简短回答
把 Reel 的链接或短码传给 Instagram 视频字幕接口,就能拿到视频里说的话,有整段全文,也有带时间的分段,每条 $0.004;视频里没人说话会返回 not_found,也照常计费。支持两分钟以内的 Reel 和视频帖子。Instagram Graph API 没有文字稿字段,媒体对象里的 caption 是帖子下面写的文案,不是视频里说的话。
一个健身品牌的内容负责人想研究三个竞品播放最高的 Reel 开头第一句说什么,结尾又让观众做什么。Reel 下面的文案很少写这些,答案都在口播里。30 条视频一条条看,再把前十秒手打下来,一个下午就没了,记下来的东西还不好对比。
Instagram 视频字幕接收 Reel 链接或短码(链接里 /reel/ 或 /p/ 后面那一段),返回:
text:视频里说的全部内容,一整段;segments:同样的内容按句切开,每段带start和end,单位是秒,从视频开头算起;video_id:短码。
步骤
- 列出 Reel。 Instagram 账号帖子传
type=reel,按从新到旧返回账号的 Reel,每页 12 条,id是短码,metrics.views是播放数。 - 挑出值得看的。 按播放数排序,留前十条。
- 拿文字稿,一条 Reel 调用一次。
- 截出开头。 开始时间在前 5 秒的几段,拼起来就是开场那句话。
Python 代码
import os, requests
API = "https://api.okdata.online"
H = {"Authorization": f"Bearer {os.environ['OKDATA_API_KEY']}"}
def get(path, **params):
body = requests.get(API + path, headers=H, params=params, timeout=120).json()
if body["code"] not in ("ok", "not_found"):
raise RuntimeError(f"{body['code']}: {body['message']}")
return body
def reels(handle, pages=2):
cursor, out = None, []
for _ in range(pages):
body = get("/v1/instagram/users/posts/list", username=handle, type="reel",
**({"cursor": cursor} if cursor else {}))
out += body["data"]["items"]
if not body["page"]["has_more"]:
break
cursor = body["page"]["next_cursor"]
return out
for handle in ["competitor_one", "competitor_two", "competitor_three"]:
top = sorted(reels(handle), key=lambda r: r["metrics"]["views"] or 0, reverse=True)[:10]
for r in top:
body = get("/v1/instagram/posts/transcript/get", id=r["id"])
if body["code"] == "not_found": # 视频里没人说话:照常计费,跳过即可
continue
hook = " ".join(s["text"] for s in body["data"]["item"]["segments"] if s["start"] < 5)
print(handle, r["id"], r["metrics"]["views"], hook)
每个账号翻两页,就覆盖了最近二十来条 Reel。想往前多看,把 pages 调大,每翻一页算一次调用。
费用
| 任务 | 调用次数 | 费用 |
|---|---|---|
| 一条 Reel | 1 | $0.004 |
| 三个账号各翻 2 页,取 30 条文字稿 | 6 + 30 | $0.144 |
| 1,000 条 Reel | 1000 | $4.00 |
没有人声的 Reel 和出错的调用,只要请求到了数据源,都照常计费。
局限
- 最长两分钟。 更长的视频帖子不转文字。
- 只转说的话。 画面上的文字、贴纸里的字都不识别。只有背景音乐、没人说话的 Reel 返回
not_found。 - 不能选语言。 视频里说什么语言,文字稿就是什么语言,也没有翻译。
- 只限公开账号。 私密账号的 Reel 拿不到。
- 机器转写会出错。 品牌名、产品名和俚语偶尔会写错,拿去检索之前先校一遍。
- 内容来自陌生人。 交给模型分析时,要求它只把文字稿当数据,不要当指令。
其他办法
如果是你自己的 Reel,Graph API 的 media_url 能拿到视频文件,再用任意语音转文字模型去转,代价是要下载视频、自己出算力。只有几条的话,直接看一遍最快。其他平台的视频转文字,见字幕与转写方案;TikTok 的做法另有一篇TikTok 视频转文字。
资料来源
这个问题出现过的地方(读取于 2026-11-15)
更新于