问答
怎么把 TikTok 视频里说的话(字幕)提取成文字?
简短回答
用 TikTok 视频字幕接口,传视频链接或 ID,返回全文和带时间的分段,内容来自 TikTok 给这条视频生成的字幕(大多是自动生成的),每条 $0.002。传 lang(如 en、es、ja)可以指定字幕语言;视频没有这种语言的字幕时返回 not_found,也照常计费。TikTok 官方的 Research API 有 voice_to_text 字段,但只开放给通过审核的学术研究者。
一个护肤品牌要给达人写视黄醇新品的拍摄说明,想先弄清楚 TikTok 上搜“retinol routine”排在前面的 50 条视频到底都在说什么,尤其是讲了哪些功效、提醒了哪些注意事项。视频下面的文案通常就一句话加几个话题标签,真正的内容都在口播里,50 条一条条听写,没人愿意干。
TikTok 视频字幕传 url(任意视频链接)或 id(链接里 /video/ 后面那串数字),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;lang:用的是哪种语言的字幕;video_id。
不传 lang,拿的是视频原本语言的字幕。传两个字母的语言代码,就指定要这种语言;视频没有这种语言的字幕时返回 not_found,也照常计费。
步骤
- 找视频。 TikTok 视频搜索每页返回约 30 条视频,收费 $0.002,带播放和点赞,方便只留下看的人多的那些。
- 逐条拿文字稿,传视频的
id。 - 放在一起看。 把文字放进表格,或者交给模型,问它哪些说法出现得最多。
Python 代码
import json, 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=90).json()
if body["code"] not in ("ok", "not_found"):
raise RuntimeError(f"{body['code']}: {body['message']}")
return body
videos, cursor = [], None
for _ in range(2): # 约 60 条视频
body = get("/v1/tiktok/videos/search", query="retinol routine",
**({"cursor": cursor} if cursor else {}))
videos += body["data"]["items"]
if not body["page"]["has_more"]:
break
cursor = body["page"]["next_cursor"]
top = sorted(videos, key=lambda v: v["metrics"]["views"] or 0, reverse=True)[:50]
with open("retinol-transcripts.jsonl", "w", encoding="utf-8") as out:
for v in top:
body = get("/v1/tiktok/videos/transcript/get", id=v["id"], lang="en")
if body["code"] == "not_found": # 没有英文字幕:照常计费,跳过即可
continue
t = body["data"]["item"]
out.write(json.dumps({"id": v["id"], "url": v["url"], "views": v["metrics"]["views"],
"text": t["text"], "segments": t["segments"]}, ensure_ascii=False) + "\n")
要做成字幕文件的话,分段几行代码就能转成 SRT。YouTube 字幕转 SRT里有现成的函数,直接用在这里的分段上就行。
费用
| 任务 | 调用次数 | 费用 |
|---|---|---|
| 一条视频 | 1 | $0.002 |
| 搜 2 页,取 50 条文字稿 | 2 + 50 | $0.104 |
| 1,000 条视频 | 1000 | $2.00 |
没有字幕的视频和出错的调用,只要请求到了数据源,都照常计费。
局限
- 来源是字幕,不是音频。 文字取自 TikTok 给这条视频的字幕。只有背景音乐、没人说话的视频,或者 TikTok 没生成字幕的视频,返回
not_found。 - 自动字幕会听错。 品牌名、成分名和俚语偶尔会写错,统计关键词之前先把这些词校正一遍。
- 画面上的字另算。 用贴纸打在视频上的文字不在字幕里。视频下面的文案在搜索结果或视频详情的
text里。 - 图文帖没有字幕。
- 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。
官方渠道
TikTok 的 Research API 有 voice_to_text 字段,给的是 TikTok 已经为视频生成好的字幕,但只开放给非营利学术机构里通过审核的研究者。Display API 只能读登录授权了你应用的账号自己的视频。完全没有字幕的视频,只剩下载音频、自己跑语音转文字模型这条路,要花下载和算力的成本。其他平台的视频转文字,见字幕与转写方案。
资料来源
这个问题出现过的地方(读取于 2026-11-15)
更新于