VoxTube – 将 YouTube 视频转换为音频（使用本地 TTS）
发布: (2026年1月31日 GMT+8 07:37)
1 分钟阅读
原文: Dev.to
Source: Dev.to
Problem
我一直在排队下载 YouTube 教程和演讲，却从未真正观看。视频需要的注意力方式与音频不同。
Solution
VoxTube 从 YouTube 视频中提取转录文本，并使用高质量的本地 TTS 将其转换为音频，这样我就可以在通勤、做饭和锻炼时“观看” YouTube。
Technical details
- 使用 Bun + Hono 构建（约 300 行代码）
- 使用 Kokoro TTS（通过 Docker 本地运行）
- 缓存生成的音频
- 没有云端依赖
What I learned
- Bun 的文件 API 在流式音频处理方面非常好用。
- 现代 TTS（Kokoro）听起来出奇地自然。
- 大多数 YouTube 视频都有可用的转录文本。
Stats
- 2 周完成 MVP
- 大约 300 行代码
- $0 月度成本（本地运行）
GitHub: