影片情報萃取
總覽
從 YouTube、Vimeo 及公司網站中提取影片內容的可操作情報。影片能揭露純文字來源無法呈現的資訊:設施規模、團隊組成、產品展示、標示、活動參與人數以及實際營運狀況。
此技能專注於中繼資料 + 字幕擷取(快速、免費、無儲存成本),僅在需要進行視覺分析時才下載實際的影片檔案。
使用時機
- 目標公司擁有 YouTube 頻道(即使是小型頻道 — Shorts 也算數)
- 創辦人或領導層出現在 Podcast/訪談影片中
- 任何平台上存在產品展示或導覽影片
- 活動錄影顯示該公司的攤位、簡報或出席情況
- 您需要透過視覺證據驗證特定說法(設施規模、團隊人數、產品範圍)
- 公司網站上有內嵌的影片內容
前置需求
| 工具 | 安裝方式 | 用途 |
|---|---|---|
| yt-dlp | pip install yt-dlp 或 brew install yt-dlp | 下載影片中繼資料/字幕 |
| Python 3.10+ | 系統 | VTT 解析、自動化 |
| Whisper(選用) | pip install openai-whisper | 無字幕時的語音轉文字 |
| ffmpeg(選用) | brew install ffmpeg | 為 Whisper 提取音訊 |
階段一:探索
YouTube 頻道列舉
# 列出頻道上所有影片(回傳影片 ID + 標題,不下載)
yt-dlp --flat-playlist --print "%(id)s %(title)s" "https://www.youtube.com/@CHANNEL_HANDLE"
# 加入上傳日期以進行時間軸分析
yt-dlp --flat-playlist --print "%(upload_date)s %(id)s %(title)s" "https://www.youtube.com/@CHANNEL_HANDLE"
YouTube 搜尋
# 搜尋 YouTube(前 10 筆結果)
yt-dlp --flat-playlist --print "%(id)s %(title)s" "ytsearch10:COMPANY_NAME"
# 更廣泛的搜尋(前 30 筆)
yt-dlp --flat-playlist --print "%(id)s %(title)s" "ytsearch30:COMPANY_NAME founder interview"
其他探索方法
| 來源 | 方法 |
|---|---|
| Google 影片搜尋 | site:youtube.com "公司名稱" |
| 公司網站 | 檢視原始碼,尋找 <iframe src="youtube.com/embed/..."> |
| Vimeo | yt-dlp --flat-playlist "https://vimeo.com/USER" |
| 手動瀏覽 — 無法以程式化方式列舉影片 | |
| 活動平台 | 檢查 Sched/Emamo 的活動頁面中是否有內嵌的影片連結 |
探索檢查清單
- 目標公司自己的 YouTube 頻道
- 創辦人/執行長的個人頻道或客串演出
- 目標公司曾受訪的行業 Podcast 頻道
- 包含目標公司簡報的活動/會議頻道
- 提及目標公司的合作夥伴/供應商頻道
- 報導目標公司的當地新聞/媒體頻道
階段二:擷取
中繼資料 + 字幕(預設 — 不下載影片)
# 整個頻道 — 中繼資料 + 自動字幕,無影片檔案
yt-dlp --write-info-json --write-auto-sub --sub-lang en --skip-download \
--sleep-interval 2 "https://www.youtube.com/@CHANNEL"
# 單一影片
yt-dlp --write-info-json --write-auto-sub --sub-lang en --skip-download \
"https://www.youtube.com/watch?v=VIDEO_ID"
# 從列表下載多個特定影片
yt-dlp --write-info-json --write-auto-sub --sub-lang en --skip-download \
--sleep-interval 2 -a video_urls.txt
重要 yt-dlp 參數
| 參數 | 用途 |
|---|---|
--write-info-json | 儲存完整中繼資料(標題、日期、長度、描述、標籤、觀看次數) |
--write-auto-sub | 下載自動產生的字幕 |
--sub-lang en | 僅限英文字幕 |
--skip-download | 不下載影片/音訊檔案 — 僅中繼資料 |
--sleep-interval 2 | 速率限制(對於有 30 支以上影片的頻道至關重要) |
--flat-playlist | 列表模式 — 僅列舉,不下載任何內容 |
-f "bestvideo[height<=720]+bestaudio" | 以合理的品質下載影片 |
-x --audio-format mp3 | 僅提取音訊(供 Whisper 使用) |
下載影片檔案(需要進行視覺分析時)
# 最高 720p(品質與檔案大小的良好平衡)
yt-dlp -f "bestvideo[height<=720]+bestaudio" --merge-output-format mp4 VIDEO_URL
# 僅音訊供 Whisper 轉錄
yt-dlp -x --audio-format mp3 VIDEO_URL
輸出檔案結構
project/
├── raw/video/
│ ├── Title of Video [VIDEO_ID].info.json # 中繼資料
│ ├── Title of Video [VIDEO_ID].en.vtt # 自動字幕(VTT 格式)
│ └── Title of Video [VIDEO_ID].mp4 # 影片檔案(僅在下載時出現)
├── transcripts/
│ ├── VIDEO_ID_transcript.txt # 解析後的純文字
│ └── VIDEO_ID_transcript.txt
└── analysis/
└── video_intelligence_summary.md
階段三:VTT 解析
將 VTT 字幕轉換為純文字
import re
import glob
def vtt_to_text(vtt_path):
"""將 VTT 字幕檔案解析為乾淨的純文字。"""
with open(vtt_path) as f:
content = f.read()
# 移除 WEBVTT 標頭和中繼資料
content = re.sub(r'WEBVTT.*?\n', '', content, flags=re.DOTALL)
# 移除時間戳記行
content = re.sub(r'\d{2}:\d{2}:\d{2}\.\d+ --> .*', '', content)
# 移除 HTML 風格的格式標籤
content = re.sub(r'<[^>]+>', '', content)
# 移除連續重複的行並合併
lines = []
for l in content.split('\n'):
l = l.strip()
if l and not l.isdigit() and (not lines or l != lines[-1]):
lines.append(l)
return ' '.join(lines)
def batch_parse_vtts(vtt_dir, output_dir):
"""將目錄中的所有 VTT 檔案解析為純文字。"""
import os
os.makedirs(output_dir, exist_ok=True)
for vtt_file in glob.glob(f"{vtt_dir}/*.vtt"):
text = vtt_to_text(vtt_file)
# 從檔案名稱模式 "Title [VIDEO_ID].en.vtt" 中提取影片 ID
video_id = re.search(r'\[([^\]]+)\]', vtt_file)
if video_id:
out_name = f"{video_id.group(1)}_transcript.txt"
else:
out_name = os.path.basename(vtt_file).replace('.en.vtt', '_transcript.txt')
with open(os.path.join(output_dir, out_name), 'w') as f:
f.write(text)
print(f"已解析:{out_name}({len(text.split())} 字)")
階段四:Whisper 備援(無可用字幕時)
當自動字幕不存在時(常見於 Shorts、較舊的影片、非英文內容):
# 僅下載音訊
yt-dlp -x --audio-format mp3 -o "%(id)s.%(ext)s" VIDEO_URL
# 使用 Whisper 轉錄
whisper VIDEO_ID.mp3 --model base --language en --output_format txt
# 為獲得更好的專有名詞準確度(慢 3-5 倍):
whisper VIDEO_ID.mp3 --model medium --language en --output_format txt
字幕通常不存在的情況
- YouTube Shorts(少於 60 秒)
- 約 2015 年之前上傳的影片(自動字幕時代之前)
- 不公開/私人影片
- 音樂為主、語音極少的內容
- 未指定語言的非英文內容
階段五:情報萃取
中繼資料情報(來自 info.json)
每個 .info.json 檔案包含:
| 欄位 | 情報價值 |
|---|---|
upload_date | 公司活動與內容策略的時間軸 |
duration | 短 = 促銷;長 = 實質性訪談 |
description | 通常包含連結、人名、時間戳記、合作夥伴提及 |
tags | SEO 策略、自我識別的類別 |
view_count | 哪些內容能引起受眾共鳴 |
like_count | 參與度訊號 |
channel | 發布者(他們自己的頻道 vs. 客串演出) |
逐字稿情報檢查清單
- 被提及的人名(員工、合作夥伴、客戶)
- 訪談中隨口提到的營收/成長數字
- 討論的未來計劃或策略
- 承認的痛點或挑戰
- 競爭者提及(正面或負面)
- 招聘計劃或團隊規模參考
- 產品路線圖或功能公告
- 口頭提及的客戶名稱或案例研究
視覺情報檢查清單(需下載影片)
- 設施/倉庫的大小與狀況
- 可見的員工人數(團隊規模的間接指標)
- 貨架上或示範中的產品(庫存廣度)
- 設備與機械(資本投資訊號)
- 標示、品牌與標誌使用
- 活動攤位的大小與設計品質
- 車隊(交付能力)
- 鏡頭捕捉到的客戶互動
- 背景中的地理/位置識別符
邊緣案例與陷阱
-
YouTube 速率限制 — 在下載之間使用
--sleep-interval 2。在 30 次以上快速請求後會出現 DNS 錯誤。對於大型頻道,請分批進行,每批 20 筆。 -
頻道下載檔案名稱 — 從頻道下載時,yt-dlp 會將檔案命名為 "Title [VIDEO_ID].ext"。標題中的空格和特殊字元會破壞 shell 腳本。請使用
-o "%(id)s.%(ext)s"以獲得乾淨的檔案名稱。 -
重複上傳 — 同一場訪談可能出現在不同的頻道或標題下。可透過比對 duration + upload_date 來找出重複內容,避免浪費時間分析兩次。
-
LinkedIn 原生影片 — 無法以程式化方式下載。LinkedIn 的 CDN URL 需要驗證,且會在數小時內過期。請將其標記為手動任務:在瀏覽器中「另存為完整網頁」,或擷取關鍵影格。
-
Shorts vs. 完整影片 — Shorts 的 URL 格式為
youtube.com/shorts/ID,但 yt-dlp 可以透明地處理這兩種格式。不要跳過 Shorts——它們通常會展示產品、設施和團隊文化。 -
不公開影片 — 不會出現在頻道列表中,但可透過直接 URL 存取。搜尋引擎可能已將其建立索引。請檢查 Google 快取和 Wayback Machine 以取得曾經公開連結過的不公開 URL。
-
自動字幕品質 — 沒有標點符號,有時專有名詞會出現亂碼(Celina → Selena,BROGAV → ProGraph)。對於標準英語語音的單字準確率超過 95%。請務必根據已知的正確來源驗證公司/人名。
-
上傳日期 vs. 內容日期 — 影片可能在上傳後數週或數月才被錄製。請檢查描述中的實際錄製日期和音訊線索。活動影片尤其會有時間差。
-
info.json 是金礦 — 務必使用
--write-info-json擷取。描述欄位通常包含時間戳記、來賓姓名、資源連結以及合作夥伴提及,這些是影片本身沒有的。 -
VTT 時間戳記很有價值 — 純文字轉換會遺失時間資訊。請保留原始 VTT 檔案作為事實來源。時間戳記可讓您找到特定時刻進行視覺驗證。
反模式
| 不要這樣做 | 改為這樣做 |
|---|---|
| 因為 Shorts 很短就忽略它們 | 審查 Shorts 以獲取視覺情報(產品、設施、團隊) |
| 假設所有影片都有字幕 | 檢查;對於無字幕的內容,回退到 Whisper |
| 預設下載影片檔案 | 從 --skip-download 開始;僅在需要視覺分析時才下載影片 |
| 嘗試自動化 LinkedIn 影片下載 | 標記為手動任務;CDN URL 需要驗證 |
| 相信 upload_date 等於內容日期 | 與描述、音訊線索、活動日期進行交叉比對 |
| 一次性下載整個頻道而不做速率限制 | 使用 --sleep-interval 2 並分批,每批 20 筆 |
| 只解析逐字稿,忽略 info.json | 中繼資料包含音訊中沒有的名稱、連結和標籤 |
| 將影片視為劣於文字來源 | 影片能唯一確認物理現實(設施、團隊、產品) |
決策樹
內容在 YouTube 上?
├── 是 → yt-dlp --write-info-json --write-auto-sub --skip-download
│ ├── 有字幕? → 解析 VTT 為文字 → 萃取情報
│ └── 無字幕?
│ ├── 影片長度 > 60 秒且有語音? → yt-dlp -x → Whisper → 分析
│ └── 短片/僅視覺? → 下載影片 → 視覺分析
└── 否 →
├── Vimeo → yt-dlp 支援(與 YouTube 相同的工作流程)
├── LinkedIn 影片 → 手動「另存為完整網頁」(標記為手動任務)
├── 公司網站內嵌 → 提取 iframe URL → 通常是 YouTube/Vimeo
└── 其他平台 → 檢查 yt-dlp 支援的網站列表
實際成果(BROGAV 案例研究)
| 指標 | 數值 |
|---|---|
| 發現的影片總數 | 45(9 支完整長度,36 支 Shorts) |
| 擷取的 VTT 字幕檔案 | 10 |
| 解析為文字的逐字稿 | 10 |
| 分析的實質性訪談 | 2(每篇 5,000+ 字) |
| 透過 RSS/Whisper 備援的 Podcast | 1(6,489 字) |
| 抓到的重複影片 | 1(同一場訪談,兩個頻道) |
| 萃取的獨特情報 | 創辦人起源故事、營收訊號、成長計劃、供應商關係、設施細節、團隊文化 |
| 從 Shorts 獲得的視覺情報 | 產品範圍、倉庫佈局、品牌櫥櫃生產線、季節性庫存 |
與其他技能的整合
| 技能 | 整合點 |
|---|---|
deep-research | 影片可作為階段三/四的來源,與網路搜尋並行 |
intelligence-dossier | 影片逐字稿可為人員、產品、財務訊號等章節提供內容 |
client-discovery-osint | 客戶推薦影片會直接提及客戶名稱 |
supplier-verification | 產品展示影片會展示供應商標誌和品牌產品 |
era-validated-linkedin-analysis | 影片上傳日期可與 LinkedIn 活動時間軸交叉比對 |
contact-sheet-image-analysis | 影片截圖可透過縮圖網格進行批次分析 |