YT YouTube2Text

YouTube2Text → Transcripts → 从DeepSeek、Kimi到“黄仁勋联盟”：AI模型开源，到底“开”了什么？

从DeepSeek、Kimi到“黄仁勋联盟”：AI模型开源，到底“开”了什么？ — Transcript

by 硅谷101 · 704 words · 596 segments · language zh · Watch on YouTube

Open in transcriber Summarize with AI Download SRT/VTT

Full transcript

0:00DeepSeek V4 Pro正式登场
0:01给开源模型生态又添一把猛火
0:04从Kimi K3到MiniMax H3
0:06再到DeepSeek V4 flash
0:07DeepSeek V4 Pro
0:09在中国开源模型的猛攻之下
0:11美国的AI公司这次是真的坐不住了
0:15中国刚刚抹平了
0:16美国在人工智能领域的领先优势
0:17我们看到市场真的非常恐慌
0:20黄仁勋亲自下场发表了人生第一条推文
0:24呼吁全行业共同推动美国开源生态的发展
0:28目前这个联盟除了Anthropic之外
0:31美国AI圈的主要玩家几乎全员到齐
0:34Sam Altman、Sundar Pichai等
0:35闭源模型掌门人也都罕见发文表示支持
0:39为什么这些平时斗得最厉害的公司
0:42这次却罕见地站到了同一战线
0:44而Anthropic坚持不加入的原因又是什么
0:48要回答这个问题
0:49我们要先来弄明白一个更基础的问题
0:52那就是AI行业当下所说的“开源”
0:55究竟是什么
0:56而模型开源之后
0:57对于模型公司
0:59以及整个AI行业生态的影响又是什么呢
1:02今天这期视频
1:03我们就来把“开源”这件事讲清楚
1:11很多人觉得
1:11一个模型可能就是一整套代码
1:14开源就是把这套代码发布出去
1:17其实不是这样的
1:19要弄明白开源开的到底是什么
1:21我们要先来捋一遍
1:22一个大模型从训练到最终发布
1:25背后的一整套流程
1:27这个过程大致可以拆成七个部分
1:30第一训练数据
1:31研发团队首先要决定
1:33用什么数据来训练模型
1:35比如网页、书籍、代码
1:37各类数据如何配比
1:39再经过清洗和筛选
1:41这一步就决定了模型的“底子”好不好
1:44第二模型架构和参数规模
1:47这个阶段主要做的是模型的规划设计
1:49比如采用什么模型架构、参数规模有多大
1:52以及各种训练配置
1:54这些设计决定了模型的能力上限
1:57和训练效率
1:58有一点需要注意的是
2:00参数规模并不是指训练数据的大小
2:03训练一个模型
2:04其实是在不断地做“调整”
2:06而参数规模
2:07说的是“这次总共要调整多少个地方”
2:10参数规模越大
2:12模型能捕捉和处理的细节、规律也越复杂
2:16第三训练基础设施
2:18模型设计完成后
2:19需要庞大的算力来完成训练
2:21这就包括GPU集群、高速网络、存储系统
2:25以及各种训练框架
2:27而如何把这些算力高效组织起来
2:30正是如今最火的AI Infra领域
2:32像DeepSeek的DeepGEMM
2:34Kimi K3的FlashKDA、MoonEP
2:36都属于这一层的创新
2:39关于AI Infra行业最近在做什么
2:41我们其实也刚刚出了一期视频
2:43欢迎大家配合观看
2:44数据有了、架构设计好了
2:47基础设施也到位了之后
2:48就进入了真正的训练流程
2:51在这个阶段
2:52模型会进行预训练、微调和强化学习
2:55在训练过程中也会不断“存档”
2:58方便继续训练、测试或回滚
3:01经过漫长的训练之后
3:03模型内部数十亿甚至数万亿个参数
3:06都会被逐步调整到合适的数值
3:08这些参数最终形成的集合
3:10就是“模型权重”
3:12也是整个模型最核心的成果
3:15记录着模型在训练过程中
3:17学到的知识和能力
3:19最后还需要将权重部署到服务器
3:22通过API或者本地部署的方式
3:25真正提供给开发者和企业使用
3:28这些流程结束之后
3:29模型厂商们通常还会写一个“技术报告”
3:32里面会介绍模型架构设计的思路
3:35数据大致的构成、训练中踩过的坑
3:38和最终的评测结果等内容
3:40让外界理解这个模型是怎么做出来的
3:43但技术报告不是可以照着复现的操作步骤
3:47它讲的更多是一种方法论
3:50好了训练流程清楚了
3:52现在我们就可以来回答这个问题了
3:54“开源”到底开的是什么环节呢
3:57按照模型的开放程度
3:58现在主要分为闭源、开放权重
4:01和完全开源这三大类型
4:03我们先说两端
4:05闭源模型就很好理解
4:07就是以上环节全部不对外开放
4:10客户只能在模型部署层面
4:12通过API或者具体产品使用模型能力
4:15Anthropic、OpenAI和谷歌
4:17目前的大部分模型都是这种形式
4:20完全开源的模型叫做Open Source
4:23是指从训练数据、训练代码
4:26和中间存档、技术报告都完全公开
4:29Ai2 艾伦人工智能研究所
4:32推出的OLMo系列就是这样的代表
4:35但现在我们所说的大部分开源模型
4:37其实都不是真正的Open Source
4:39而是处在开源和闭源中间地带的
4:42Open Weight 开放权重
4:44相当于只是送出了训练后模型的最终结果
4:47你可以直接拿去用
4:49也可以在结果之上进行微调和改进
4:52但现在在不同的开放权重模型之间
4:55开放的程度其实也存在很大的差异
4:58我们就拿几个比较典型的例子来说一下
5:01首先 “模型权重”严格来说
5:03只是一个巨大的数字文件
5:05光靠它是没法直接用的
5:08如果你从Hugging Face上
5:09直接下载Kimi K3的权重
5:11拿到的是2.8万亿个浮点数
5:14按照模型架构规定好的顺序
5:17整整齐齐地排列在里面
5:19所以除了权重本身
5:20厂商通常还会公开一份推理代码
5:23专门负责教你怎么读取这份权重文件
5:26按照什么顺序做计算
5:28以及最后怎么把结果变成一句话回复你
5:32最基础的“开放权重”就是把模型权重
5:35以及这个能跑、能微调的推理代码
5:38公布出来
5:39让任何人都可以把模型下载下来
5:41在自己的服务器上运行
5:43其中最具代表性的
5:44就是Meta的Llama系列
5:47但是训练数据的具体配方
5:49训练过程当中不断调整的策略
5:51以及支撑整个模型训练的内部工具链
5:55这些更核心的部分 Meta始终没有开放
5:59此前从Llama 1到Llama 3
6:01Meta还会发布较为详细的技术报告
6:04分享模型设计和工程经验
6:07但到了去年的Llama 4
6:08Meta只发布了一篇简短的博客
6:11没有再公开完整的技术报告
6:13开放的程度也变得更加保守
6:16而DeepSeek之所以震撼整个行业
6:18其中一个重要的原因就是
6:20它不仅是把方法详细地讲了出来
6:23还把内部的工程工具链也开源了
6:26相当于是“Open Weights”的Plus版本
6:29在此之前
6:30大部分模型厂商的技术报告更像是公关稿
6:33通常会告诉你模型有多少参数
6:36在哪些Benchmark（基准测试）上取得了什么成绩
6:38却很少解释这些成绩是怎么做出来的
6:42但DeepSeek V3和DeepSeek-R1
6:44却把过去一些很少公开的研发细节
6:47几乎毫无保留地写了出来
6:50比如它详细介绍了MoE（混合专家）模型
6:52是如何设计出来的
6:54为什么要采用
6:54Multi-head Latent Attention（MLA）
6:57来降低KV Cache的内存占用
7:00FP8训练是如何稳定实现的
7:03以及不同方案之间
7:04为什么最终选择了现在的设计
7:07放弃了其他路线
7:09除了技术报告
7:10DeepSeek还陆续开源了DeepEP
7:12FlashMLA等训练和推理基础设施组件
7:16把很多过去只属于
7:17内部工程团队的工程经验
7:20也变成了整个行业都可以使用的工具
7:23DeepSeek可以说是开启了一种
7:25新的模型开放的形式
7:27而这次Kimi K3也延续了这种做法
7:30和DeepSeek一样
7:31Kimi K3也公布了非常详细的技术报告
7:34介绍模型架构、训练方法和大量工程细节
7:38与此同时 Kimi K3此次同步开放了
7:40三大自研底层基础设施
7:43其中包括解决MoE（混合专家）模型里
7:45几百个“专家”之间通信效率的MoonEP
7:48加快注意力计算的FlashKDA
7:50以及给智能体训练
7:52搭建可运行环境的AgentEnv
7:55这三项分别对应训练大模型时
7:57会遇到的三个卡点
7:59通信、计算、训练环境
8:01让大家能更了解Kimi团队
8:03是怎么高效训练出这个模型的
8:06目前在整个训练环节中
8:08大多数开放权重模型真正公开的
8:11其实只有模型权重推理代码
8:13以及一部分技术报告和基础设施工具
8:17而训练数据和完整训练流程
8:19仍然是各家最核心的商业机密
8:22而且开放权重也并不是毫无限制
8:25真正决定开发者能不能将模型修改商用
8:28以及再发布的
8:30是模型附带的许可证也就是License
8:37过去一年一个很明显的趋势是
8:39中国大部分模型厂商的许可证
8:42正在变得越来越开放
8:44比如DeepSeek最早发布模型时
8:46采用的是自己制定的协议
8:48对于使用场景还有一些限制
8:50但到了DeepSeek-V3和R1
8:52已经全面切换到了MIT License
8:54这意味着只要保留版权声明
8:57开发者几乎可以自由下载、修改、商用
9:00限制非常少
9:02阿里的Qwen也走了一条类似的路线
9:05从最初采用阿里自定义协议
9:07到后来切换为国际上广泛使用的
9:09Apache 2.0许可证
9:11同样大幅降低了商业使用门槛
9:14值得注意的是
9:15此前Qwen的旗舰Max系列
9:17一直是保持闭源只能走API
9:19但在这个月初阿里表态
9:21将首次把旗舰模型Qwen3.8-Max的权重开源
9:25智谱GLM也是一样
9:27他们从2025年的GLM-4-0414
9:30开始使用MIT License
9:32后来一直沿用至今商业使用限制很宽松
9:36当然了
9:36也并不是所有公司都会选择“完全开放”
9:40Kimi之前的K2系列
9:41用的是一种叫Modified MIT的许可证
9:44但这次K3启用了一份全新
9:47叫做Kimi K3 License的协议
9:49不再自称是MIT的修改版本
9:52那这是什么意思呢
9:53对绝大多数开发者和中小企业来说
9:56其实实际使用体验和MIT差别不大
9:59因为都是免费下载、商用和修改
10:02但它加了两道门槛
10:04第一是产品月活超过1亿
10:07或者月收入超过2000万美元的
10:09需要在界面上显著展示“Kimi K3”标识
10:13第二如果你做的是
10:14模型即服务的托管生意
10:16且连续12个月总收入超过2000万美元
10:20就必须先和月之暗面
10:21另行签署商业协议才能商用
10:24而限制最多的则是Meta的Llama
10:27它没有采用MIT、Apache
10:28这些主流开源许可证
10:30而是自己制定了一个
10:32Llama Community License
10:33中间的限制就非常多了
10:36例如月活用户超过7亿的产品
10:38需要额外申请授权
10:40部分版本曾经限制在欧盟地区使用
10:43同时协议还明确禁止
10:44开发者利用Llama的输出
10:46去训练其他大型模型等等
10:49不过Meta近期也在重回开放路线
10:52它们最新发布了300亿参数的
10:54开放权重模型Muse Glimmer
10:56就采用了Apache 2.0许可证
10:58此外扎克伯格还宣布
11:00Meta目前最强基础模型Muse Spark 1.2
11:03也即将开放权重
11:05他现在把这个东西写清楚之后
11:09很多专门做模型推理和云厂商
11:13实际上没有办法去take free ride（不劳而获）
11:16因为之前很多开源项目
11:18我们不说模型
11:18就比如说开源的一些数据库的项目
11:20现在最担心的就是
11:22云厂商没有出工没有出力
11:24然后拿这个开源项目部署在自己的云上
11:27就可以卖钱了
11:28所以free ride（不劳而获）这个事情
11:29实际上是开源社区一直想要避免的
11:31当然了许可证只是划定了红线
11:33而不是直接把模型转化为收入
11:37那么问题就来了
11:38这些开源公司究竟怎么赚钱呢
11:41实际上开放权重并不等于放弃商业化
11:45企业下载模型只是第一步
11:47要想真正把模型稳定部署到生产环境
11:50还需要算力、运维、持续更新
11:52以及针对业务场景的定制开发等等
11:55相比自己组建团队
11:56很多企业依然会选择
11:58直接购买模型公司的API服务
12:01企业版部署或者行业解决方案
12:04因此开放模型可以带动一整套
12:06围绕模型的服务收入
12:08第一种是通过开放模型带动云计算
12:11和基础设施消费
12:13以千问为例
12:13模型权重虽然可以免费下载
12:16但企业想要大规模部署
12:17依然需要GPU、云存储、网络、数据库
12:20和模型管理平台
12:22对于阿里这样的云厂商来说
12:24开放模型更像是一个入口
12:26模型本身可以免费
12:27但运行模型所需要的整套云服务
12:30都是收费的
12:31第二种是为企业提供部署和定制服务
12:35很多金融、医疗、政府或大型企业
12:37不希望把内部数据发送给外部API
12:40还是希望把模型部署在自己的服务器
12:43或者私有云里
12:44但下载权重之后
12:46企业还需要完成模型适配、数据清洗
12:48安全评测、推理优化和后续维护
12:51模型公司可以向这些客户出售私有化部署
12:55行业微调、技术支持和长期维护服务
12:58第三种则是提供收费的后训练
13:01和模型开发平台
13:02现在的企业更希望
13:04在现有开放模型的基础上
13:06加入自己的数据和业务规则
13:09把它变成更适合特定任务的专用模型
13:12模型公司可以提供微调、强化学习、评测
13:15数据管理和版本管理等工具
13:18并且按照训练算力、使用量
13:20或者企业订阅收费
13:22像Thinking Machines的思路
13:23就更接近这种
13:25因为一个核心点就是关于AI
13:27Intelligence（智能）到底是
13:29我应该是租借的
13:30还是我应该是自己来变成自己的
13:33很多的企业现在越来越接受的观点
13:35就是智能应该为我所有
13:37而不应该是rent（租借）
13:39这就是整个的大背景下
13:43以Kimi为例虽然模型权重已经开放
13:45但它们依然提供付费订阅、API调用
13:48以及企业级的AI服务
13:51除此之外
13:51开源模型厂商的另一部分收入来源
13:54是模型级服务 Model as a Service
13:56也就是MaaS厂商以及云厂商
13:59MaaS厂包括最近很火的
14:01Together AI、Fireworks AI等等
14:03是把开放权重模型
14:05部署到自己的GPU集群上
14:07再通过API提供给开发者使用
14:10云厂商也就是大家熟悉的
14:12卖基础设施的AWS、阿里云等等
14:14现在也会卖模型服务
14:17在K3这样的许可证下
14:18这类厂商也要向Kimi交钱
14:21公开信息显示
14:22月之暗面当前的年化经常性收入 ARR
14:25已经达到了3亿美元
14:27可能是一个反常识的观点
14:29就是云厂和这个MaaS厂
14:31实际上应该是非常欢迎Kimi找它来收钱的
14:34因为只要你来收钱
14:35就说明你跟Kimi有一个官方的认证关系
14:38包括你卖的这个token质量等等
14:40都是有官方给你做保证和背书的
14:43大家如果去看Kimi官方的一些发布
14:46它实际上是有一套
14:48vendor verification（供应商验证）的流程的
14:49就有点像之前大家比如说买个芯片
14:51说什么Intel Inside（英特尔商标）
14:53只有你过了这个验证的流程
14:54你卖出来的这个token
14:56才能被证明说是好的token
14:58包括准确性包括性能都是有保障的
15:02消费者去买你们的这些token
15:04其实也都是知道说要买谁的token
15:06所以开放权重并不意味着商业价值的消失
15:10更多是一种商业模式的变化
15:12而对于整个AI生态来说
15:14它也有着非常重要的价值
15:21过去几年 Claude、ChatGPT、Gemini
15:23这些业界最强的模型几乎都是闭源的
15:27也就意味着这些模型的能力
15:29始终牢牢掌握在少数几家公司手里
15:32而开放权重
15:33则让拥有前沿能力的AI模型
15:36可以像软件一样被下载、部署和微调
15:39并在此基础上继续创新
15:41对于企业用户来说
15:42这绝对是件天大的好事
15:45首先是成本
15:46还记得今年年初编程agent（智能体）开始流行
15:49每家企业都开始token maxxing的几个月吗
15:52这一通操作下来
15:53每家公司都发现
15:54自己的token账单是水涨船高
15:57在这样的背景下
15:58开源模型显然成了最优解
16:01毕竟中国开源模型能力
16:02已经能追平最强的闭源模型又很便宜
16:06还能自己调整
16:07谁不爱呢
16:08而现在一种主流的企业做法就是
16:10最困难的任务
16:11还是使用几家能力最强的闭源模型
16:14日常的任务
16:15就都通过中国这些开放权重模型来实现
16:19其次是所有权的问题
16:21如果模型一切都是取决于对方是否开放
16:25这就是Fable今年早一点
16:27Anthropic的这个事情
16:28其实对大家影响很大的
16:30突然有一天美国商务部说这不可以用了
16:33那就一夜之间就都不可以用了
16:35之前你做的部署之前什么可能都没有了
16:38那这种情况怎么办
16:40这就是为什么对于企业来说
16:41在能力几乎相当的情况下
16:43开源模型具有绝对的优势了
16:45而对于普通开发者来说
16:47开源模型也同样大大降低了
16:49参与创新的门槛
16:51以前开发者想要基于GPT
16:53或者Claude开发产品
16:55能做的事情其实很有限
16:57但借助权重和技术报告
16:59开发者就能够自己去尝试修改模型
17:02继续模型训练
17:03甚至让模型适配完全不同的场景
17:06而现在vLLM和SGLang等开源推理引擎
17:10都能够对大部分开源模型
17:12做到Day-0的支持
17:14这也意味着开发者们
17:15不需要自己解决复杂的推理部署问题
17:18就能直接部署模型
17:20如今开放权重模型已经成为大量AI Agent
17:23机器人等项目的重要基础
17:25推动着整个AI创业生态的繁荣
17:28此外开放权重本身也在加速着模型的迭代
17:32比如在Kimi K3的技术报告里
17:34有一部分专门介绍了
17:35他们如何优化MoE（混合专家）模型中的负载均衡
17:39而这套方法
17:40就是他们在DeepSeek V3方案基础上的
17:42继续演进
17:44闭源模型的技术突破
17:45很可能永远留在自己的服务器里
17:47但借助于开放的技术经验
17:50整个行业都能够站在巨人的肩膀上
17:52加速往前走
17:54所以无论是从商业
17:56还是整个AI生态的角度
17:58开放权重都在成为一条
18:00非常重要的技术路线
18:01这也是为什么这次会由黄仁勋
18:04牵头来做这件事并且一呼百应
18:07最近针对中国开源模型的强势崛起
18:10有消息传出
18:11美国政府正在考虑采取相关限制行动
18:15“开放安全AI联盟”的核心观点是
18:17美国既需要最先进的闭源模型
18:20也需要最先进的开放模型
18:22他们认为开源模型对网络安全和AI创新
18:25AI主权都至关重要
18:27监管应该针对具体风险
18:29而不是因为安全担忧
18:31就限制开放权重这种技术路线本身
18:34但这个联盟背后也有着更深的商业考量
18:37比如对于微软、亚马逊、谷歌
18:39这几个大型云厂商来说
18:41不管客户最终部署的是OpenAI, Llama
18:44DeepSeek还是Kimi
18:45只要运行在云上它就能从中获益
18:49对于英伟达、AMD、Baseten
18:51这样的基础设施企业来说
18:53开放权重
18:54意味着会有更多企业、开发者和国家
18:56把模型部署到自己的服务器
18:59而每一次部署、微调和推理
19:01都会带来新的算力需求
19:03不少基础设施公司的业务增长
19:05甚至就是伴随着一代代开源模型
19:08而发展壮大
19:09其实从芯片、基础设施这个角度来看
19:12那肯定是所有人
19:14每个人都能自由搭建一个（模型）最好
19:16这样的话他就可以卖出更多的铲子
19:18因为他并不在乎谁能挖到金子
19:22甚至挖金子什么人完全不重要
19:24重要的就是他能卖更多的铲子
19:26而对于像Palantir、Databricks
19:27这样的企业软件和AI应用公司来说
19:30它们卖的本来就是模型之上的数据平台
19:33AI应用和行业解决方案
19:35模型越开放
19:36它们能够服务的客户和场景反而越多
19:40目前这个联盟聚齐了
19:41美国所有重要的AI公司的名字
19:44但唯独少了一个 Anthropic
19:47他们也专门发了一条长文
19:49来阐释自己的立场
19:51Anthropic首先表态
19:52他们从来没有主张过禁止开放权重模型
19:56但他们担心两件事
19:58一是前沿开放模型带来的安全风险
20:01在闭源的情况下
20:02一些危险的安全能力
20:03还被掌握在少数模型公司手里
20:06但如果最强大的模型权重被公开
20:09任何人都可以下载、部署、修改
20:12那么恶意使用这些能力的门槛
20:14也会随之降低
20:15这将让整个世界都处于危险之中
20:19第二是蒸馏问题
20:20它认为中国的开源模型
20:22之所以发展得这么快
20:24就是大规模地蒸馏了
20:25美国最前沿的这些闭源模型
20:28进而也会大幅降低
20:29追赶最前沿模型所需要的算力
20:32与其纠结要不要管开源
20:34美国政府更应该先管管“蒸馏”
20:37但也有很多人认为
20:38Anthropic坚持不开源
20:40更多还是出自商业利益的考量
20:42对于闭源模型来说
20:44开放权重
20:44无疑是会严重冲击它们的商业模式
20:47因为一旦越来越多高性能的开放模型出现
20:50企业就有了更多本地部署
20:52和自主定制的选择
20:54对闭源API的依赖也会降低
20:56而模型能力本身
20:57也更容易被快速追赶和复制
21:00让闭源模型赖以建立的竞争壁垒受到挑战
21:04而最近在美国全行业
21:05越来越强的开源声势下
21:07Anthropic坚持闭源的立场
21:09正在遭受越来越大的压力
21:11对它AI安全立场的质疑声也逐渐变大
21:15因此 Anthropic及其他公司
21:17对自己和行业施加的限制
21:19正迫使大量公司转而采用开源中国模型
21:25从初创公司到大型企业
21:29整个行业都在经历这一转变
21:30但是我们也看到
21:31并不是所有人
21:32都反对Anthropic的这些观点
21:34比如本次Kimi K3开源之后
21:36网上就出现了不少声音
21:38认为把这样已经达到最前沿能力的模型
21:41开放出来
21:42本身就是一种风险
21:44最近OpenAI和Anthropic的模型
21:46接连曝出越狱攻击事件
21:48让这种担忧进一步升温
21:50因为即使是部署在官方服务器
21:52拥有持续监控和安全更新能力的闭源模型
21:55目前看来也并非绝对安全
21:58而如果未来越来越多能力接近Fable 5
22:01这一水平的开放权重模型
22:03被部署到成千上万家企业、本地服务器
22:06甚至个人设备上
22:07情况就会变得更加复杂
22:10模型治理、安全更新和风险控制
22:12必然将面临更大的挑战
22:15目前业界关于开源模型的讨论
22:17还在激烈地进行着
22:19但无论如何
22:20开放权重模型都已经成为了
22:22推动这一波AI发展的重要力量
22:25它降低了技术门槛加快了创新速度
22:28也让越来越多的企业和开发者
22:30可以参与到AI生态当中
22:33但与此同时
22:34它们也带来了更多的问题和安全挑战
22:37对此我们《硅谷101》
22:38也专门录制了一期播客讨论这个话题
22:40欢迎大家收听
22:42我们之后也会持续追踪
22:44中美开源模型的进展
22:45以及它对整个AI行业的影响
22:48以上就是我们这期视频的全部内容了
22:51感谢大家的收看
22:52大家的点赞、留言和转发
22:54是我们做好深度科技
22:56和商业内容的最佳的动力
22:58欢迎关注《硅谷101》
23:00我是Yiwen 那我们下期再见了

About this transcript

This page contains the full transcript of 从DeepSeek、Kimi到“黄仁勋联盟”：AI模型开源，到底“开”了什么？ by 硅谷101, generated from the public captions YouTube serves with the video. The transcript has 704 words across 596 segments, with the original timestamps preserved so you can click any line to jump to that moment in the embedded player.

What you can do with it

Use the transcript to take notes, quote the speaker, build a study guide, generate a summary with ChatGPT or Claude via the YouTube Summary tool, or export it as a timed subtitle file with YouTube to SRT. You can also re-open it in the transcriber to translate the transcript into 100+ languages.

Free YouTube transcript tool

YouTube2Text is a free YouTube transcript generator — no signup, no daily limit. Paste any YouTube link and get the full transcript instantly, with timestamps, click-to-jump, translation to 100+ languages, AI prompts for ChatGPT, Claude, and Gemini, and exports to TXT, SRT, VTT, or Markdown.