Communitygithub.com

wendy7756/AI-Video-Transcriber

轉錄並摘要來自網址(YouTube、TikTok、Bilibili、Apple Podcasts、SoundCloud 等 30 多個平台)或本機媒體/.txt 檔案的影片或 Podcast。當使用者分享影片/Podcast 連結或媒體檔案,並需要逐字稿、摘要、翻譯或下載原始影片時使用。觸發詞為「轉錄」、「摘要此影片」、「這部影片在說什麼」、「取得逐字稿」、「transcribe」、「summarize this video」等。

AI-Video-Transcriber 是什麼?

此技能提供一個穩健的管道,用於從超過 30 個平台(包括 YouTube、TikTok、Bilibili、Apple Podcasts、SoundCloud)轉錄和摘要影片或 Podcast,同時也支援本機媒體和 .txt 檔案。它首先嘗試擷取平台的內建字幕(精確到秒),當字幕不可用時,無縫切換至本地 Whisper 進行語音辨識。取得原始轉錄稿後,可透過 OpenAI 相容 API 對其進行最佳化、翻譯及摘要,且摘要語言支援多達 11 種語言。此技能設計為與 AI 代理(如 Claude Code)無縫整合,以結構化 JSON 輸出結果,讓代理能輕鬆解析轉錄檔案、摘要檔案及翻譯檔案的路徑。當 `no_speech` 標記為 `true` 時,管道會智慧地跳過 LLM 處理,防止對無語音內容進行幻覺推測。需注意,此技能要求從 AI Video Transcriber 儲存庫的根目錄執行,並需設置 Python 虛擬環境及 ffmpeg 以進行音訊處理。

相容平台~Claude Code✓Codex CLI~Cursor
npx skills add https://github.com/wendy7756/AI-Video-Transcriber/tree/HEAD/skills/video-transcribe

在你喜歡的 AI 中提問

開啟一個已預先載入此 Agent Skill 的新對話。

說明文件

影片轉錄

在無頭模式下執行此儲存庫的管道:當平台字幕可用時使用平台字幕(精確到秒),否則以本地 Whisper 作為備用,接著進行最佳化 -> 翻譯 -> 摘要。

執行前

必須從 AI Video Transcriber 儲存庫根目錄執行命令,且需要專案的 virtualenv 及 ffmpeg。每個會話驗證一次:

ls venv/bin/python && command -v ffmpeg
  • 沒有 venv:執行 ./install.sh,或 python3 -m venv venv && venv/bin/pip install -r requirements.txt。
  • 沒有 ffmpeg:先在 macOS 上使用 brew install ffmpeg 安裝,或在 Debian/Ubuntu 上使用 sudo apt install ffmpeg。若未安裝,請勿繼續;音訊提取將會失敗。

執行它

venv/bin/python transcribe.py "<URL 或檔案路徑>" --json

請務必傳遞 --json:它會將機器可讀的輸出傳送到 stdout,並將進度訊息保留在 stderr。請解析 JSON 而非擷取記錄行。

有用的旗標:

旗標使用時機
-l, --summary-language <代碼>摘要語言:en、zh、es、fr、de、it、pt、ru、ja、ko、ar。預設 en
--no-llm無可用 API 金鑰,或使用者只需原始轉錄稿。跳過最佳化/翻譯/摘要
--no-video使用者不希望保留來源影片
--whisper-model small準確性比速度更重要。tiny 到 large,預設 base
-o <目錄>將 Markdown 寫入 ./temp 以外的位置

LLM 步驟需要透過 OPENAI_API_KEY 提供 OpenAI 相容的金鑰,並可選用 OPENAI_BASE_URL。若無金鑰,管道仍會進行轉錄,但僅使用基本格式;當使用者僅需轉錄稿時,建議使用 --no-llm。

提供者設定:

export OPENAI_API_KEY="你的_api_金鑰"
export OPENAI_BASE_URL="https://openrouter.ai/api/v1"
export OPENAI_TRANSLATION_MODEL="gpt-4o"  # 可選

對於一次性執行,transcribe.py 也接受 --api-key、--base-url 和 --model。盡可能優先使用環境變數,以免 API 金鑰被寫入 shell 歷史記錄。

讀取結果

{
  "title": "...",
  "no_speech": false,
  "detected_language": "en",
  "files": { "raw": "...", "transcript": "...", "summary": "...", "translation": "..." },
  "media": { "path": "...", "kind": "video", "size_bytes": 2243691 }
}

讀取 transcript 和 summary 路徑以取得內容。當來源語言與摘要語言不同時,translation 才會出現。

關鍵:no_speech

當 "no_speech": true 時,表示來源內容不含語音。不存在轉錄稿、摘要或翻譯。管道會刻意跳過 LLM,以免產生虛假內容。

如果您看到此情況,請告知使用者該影片沒有語音。請勿猜測內容、從標題推斷,或描述影片可能說了什麼。

失敗模式

  • 退出碼 2:輸入錯誤,例如檔案不存在、不支援的副檔名或空白文字檔案。請回報訊息並修正引數。
  • 退出碼 1:下載/轉碼失敗,通常是 URL 無法存取、區域封鎖/私人影片,或缺少 ffmpeg。請回報實際錯誤。
  • 第一次執行時會下載 Whisper 權重,因此可能看起來停滯約一分鐘。
  • 在 Whisper 模式下,長時間的影片處理較慢。如果沒有平台字幕可用,請在開始前警告使用者。

相關技能