AI-Media2Doc：一键将音视频转化为小红书/公众号/知识笔记/思维导图/字幕等风格文档
AI 视频图文创作助手（AI-Media2Doc）是一款基于 AI 大模型的 Web 工具，可一键把视频和音频转化为小红书、公众号、知识笔记、思维导图、内容总结等多种风格的文档，并支持字幕导出与基于内容的 AI 二次问答。项目采用 MIT 协议开源，支持 Docker 本地一键部署，无需登录注册，任务记录保存在本地。
社区作者 · zZz
它解决什么问题
AI-Media2Doc 是一个完全开源（MIT 协议）的 AI 视频图文创作助手：一个 Web 工具，基于 AI 大模型，一键将视频和音频转化为各种风格的文档，无需登录注册，前后端本地部署，以极低的成本体验 AI 音视频转风格文档服务。
核心功能包括：
- 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。
- AI 对话：支持针对视频内容进行 AI 二次问答。
- 支持字幕导出：结果可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；开启方式为点击“自定义设置 -> 智能截图”选择打开。
- 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：后端设置访问密码后，前端用户需要填写该密码才能正常使用。
界面方面，项目提供了全新设计的首页（配图 4），支持智能截图插入正文（配图 6），以及全新设计的结果页，可一键导出为字幕（配图 5），并支持自定义 prompt 配置（配图 7）。项目的处理流程可参考配图 9 的架构/流程示意图。
未来计划：音频识别支持使用 fast-whisper 本地大模型处理，进一步降低成本（来源标注为未来计划，尚未在当前版本中确认落地）。
项目缘起：作者希望把一些视频内容转化为文字，便于二次阅读、思考和总结记录笔记，而市面上多数工具需要登录和付费，因此开发了这个小应用，以 MIT 协议开放，任何人都能以极低的成本体验音视频转文本。
适用对象：需要把长视频、播客、课程、访谈等内容快速整理成图文笔记的内容创作者、自媒体运营、知识管理爱好者，以及对隐私敏感、希望本地部署的个人与团队。
— 本文由 AI 根据公开来源辅助整理，命令、版本与许可证请在使用前到原始页面复核。
安装 / 开始使用
【Docker 本地一键部署】 0️⃣ 安装 Docker：网上有相关教程；Windows 用户建议使用 WSL 启动该项目。 1️⃣ 下载项目首页的 docker-compose.yaml 文件。 2️⃣ 参考 variables_template.env，在项目根目录下生成 variables.env 文件，并根据“后端部署指引 / 配置项说明”完善 variables.env 中的环境变量。注意：variables.env 必须与 docker-compose.
yaml 在同一目录下，建议新建一个文件夹单独存放这两个文件。 3️⃣ 运行：在 docker-compose.yaml 所在目录下执行命令： $ docker-compose -f docker-compose.yaml up -d 4️⃣ 启动完成后打开前端页面使用（首页界面见配图 4）。如后端设置了访问密码，前端用户需要填写该密码才能正常使用。
【本地开发】 项目提供“后端本地部署”和“前端本地部署”两份指南，见仓库内对应文档。
【首次运行与常见问题】
- variables.env 未与 docker-compose.yaml 置于同一目录，会导致环境变量读取异常；
- Windows 下建议使用 WSL 启动；
- 前端音视频处理采用 ffmpeg wasm，无需在本地额外安装 ffmpeg；
- 需要图文并茂效果时，在“自定义设置 -> 智能截图”中开启智能截图；
- 希望自定义输出风格时，可在前端自定义配置 prompt（配图 7）；
- 部署遇到问题可通过公众号“韩数同学”或首页置顶 issue 的微信交流群反馈。
