YouTube / Audio-Transkription
Wandele ein YouTube-Video – oder eine lokale Audio-/Videodatei – in ein Transkript um, ohne auf YouTube-Untertitel angewiesen zu sein. Viele Videos (besonders Zweitveröffentlichungen und einige chinesischsprachige Uploads) haben keine Untertitel und keine automatischen Captions, sodass das Herunterladen der Untertitel mit yt-dlp --write-subs nichts liefert. Diese Fähigkeit umgeht das, indem sie das Audio herunterlädt und lokal mit einer je nach Plattform ausgewählten Whisper-Engine transkribiert.
Wann dies verwenden
- Der Benutzer gibt eine YouTube-URL an und möchte 字幕 / 逐字稿 / Transkript / Untertitel.
yt-dlp --list-subsmeldethas no subtitles/has no automatic captions.- Der Benutzer hat eine lokale
.m4a/.mp3/.mp4/etc.-Datei zu transkribieren.
Voraussetzungen
uvinstalliert (wird verwendet, umyt-dlpund das Transkriptionsskript auszuführen, ohne die globale Umgebung zu beeinträchtigen). Das Skript wählt automatisch die Whisper-Engine aus unduvinstalliert nur das, was Ihre Plattform benötigt:- Apple Silicon Mac →
mlx-whisper(MLX/Metal, GPU-beschleunigt). - Intel Mac / Linux / Windows →
faster-whisper(CTranslate2, CPU oder NVIDIA CUDA).
- Apple Silicon Mac →
- Eine JavaScript-Laufzeitumgebung –
node,bunoderdeno– im PATH. Aktuelle yt-dlp-Versionen benötigen eine solche, um YouTube zu extrahieren; das Skript erkennt automatisch, welche vorhanden ist. - ffmpeg empfohlen, aber nicht erforderlich: Wenn nicht vorhanden, greift das Skript auf den integrierten macOS-Befehl
afconvertzurück (unter Nicht-macOS-Systemen daher ffmpeg installieren).
Verwendung
Die gesamte Pipeline ist ein einziges eigenständiges Skript. Führen Sie es mit uv run aus, sodass die Abhängigkeiten automatisch bereitgestellt werden:
uv run ~/.claude/skills/youtube-transcribe/scripts/yt_transcribe.py \
"https://www.youtube.com/watch?v=VIDEO_ID" \
--output-dir /tmp/whisper_out
Häufige Optionen:
--language zh– eine Sprache erzwingen anstatt automatisch zu erkennen (schneller, vermeidet Fehlerkennung bei zweisprachigen Intros).--model mlx-community/whisper-large-v3-turbo– die Standardeinstellung; gute Geschwindigkeit/Qualität auf Apple Silicon. Ersetzen Sie es durchmlx-community/whisper-large-v3für maximale Qualität oder ein kleineres Modell für Geschwindigkeit.--output-name my-video– Basis-Dateiname für Ausgaben (Standard ist die Video-ID).--formats txt,srt– auswählen, welche Ausgaben geschrieben werden sollen (Standardtxt,srt,json).
Eine lokale Datei funktioniert genauso – übergeben Sie einfach einen Pfad anstelle einer URL:
uv run ~/.claude/skills/youtube-transcribe/scripts/yt_transcribe.py /pfad/zu/talk.m4a --language en
Beim ersten Lauf wird das Whisper-Modell (~1,6 GB für Turbo) in den Hugging-Face-Cache heruntergeladen; spätere Läufe verwenden es erneut.
Ausgaben
Geschrieben in --output-dir (Standard: aktuelles Verzeichnis), benannt nach der Video-ID (oder --output-name):
<name>.txt– reiner Text (ein Block).<name>.srt– Untertitel mit Zeitstempeln.<name>.json– vollständiges Ergebnis inkl. Zeitstempel pro Segment und erkannter Sprache.
Nach der Transkription
Die rohe Whisper-Ausgabe gibt die gesprochene Sprache wörtlich wieder. Wenn das Audio Mandarin ist, gibt Whisper vereinfachtes Chinesisch aus. Gemäß der globalen Regel des Benutzers konvertieren Sie das Transkript bei der Darstellung im Chat in Traditionelles Chinesisch (正體中文) und bereinigen offensichtliche Fehlhörer von Eigennamen / Fachbegriffen (Modellnamen, CVE-IDs, Toolnamen). Bieten Sie eine bereinigte, abschnittsweise Zusammenfassung an, anstatt den gesamten Textblock auszuschütten, und teilen Sie dem Benutzer mit, wo die vollständigen Dateien liegen.
Funktionsweise (und warum)
- Audio herunterladen –
yt-dlp -f "bestaudio[ext=m4a]/bestaudio". Das Format 140 (128 kbps m4a) wird heruntergeladen, ohne die Herausforderung des YouTube-Player-JS "n" zu lösen, daher vermeiden wir bewusst--remote-components ejs:github(es holt entfernten Code und wird normalerweise von der Sandbox blockiert). Das Skript stelltuvxvoran, wennyt-dlpnicht installiert ist, und fügt--js-runtimes <node|bun|deno>für die vorhandene Laufzeit hinzu. - Audio normalisieren – Konvertierung in 16 kHz Mono 16-Bit WAV mit ffmpeg oder macOS
afconvert, falls ffmpeg fehlt. - Transkribieren – Das WAV in ein numpy-float32-Array einlesen und direkt an die Engine übergeben (
mlx_whisper.transcribe(...)auf Apple Silicon,faster_whisper.WhisperModel.transcribe(...)anderswo). Beide liefern dasselbe normalisierte Ergebnisformat (text/language/segments). Die Übergabe eines decodierten Arrays an Whisper verhindert, dass Whisper intern ffmpeg aufruft – was die übliche Ursache fürFileNotFoundError: ffmpegauf Systemen ohne ffmpeg ist.
Fehlerbehebung
has no subtitlesaber Text wird dennoch benötigt – genau das ist die Aufgabe dieser Fähigkeit; fahren Sie mit der Transkription des Audios fort.FileNotFoundError: ffmpeg– sollte in diesem Skript nicht auftreten (es konvertiert zuerst), aber wenn Sie die Whisper-Engine direkt auf einer m4a-Datei aufrufen, konvertieren Sie diese zuerst in WAV.- Auf Nicht-Apple-Silicon und Konvertierung schlägt fehl –
afconvertist nur unter macOS verfügbar, also installieren Sieffmpeg(Linux/Windows haben keinen integrierten Fallback). - yt-dlp warnt vor JS-Herausforderung / "Only images are available" – stellen Sie sicher, dass
node/bun/denoim PATH ist; das Skript benötigt eine Laufzeit zur Extraktion. Verwenden Sie nicht--remote-components ejs:githubzur Behebung. - Verstümmelte / falsche Sprachausgabe – übergeben Sie
--languageexplizit.