YouTube 影片轉錄 是做什麼的?
使用 OpenAI Whisper 和 yt-dlp 將 YouTube 影片轉錄為文字。
概述
此技能使用 yt-dlp 從 YouTube 影片下載音訊,並使用 OpenAI 的 Whisper 模型進行轉錄。支援多種輸出格式(txt、srt、vtt、json)以及不同大小的模型,以達到不同的準確度/速度平衡。
指示
1. 安裝依賴項目
# 安裝 whisper 和 yt-dlp
pip install openai-whisper yt-dlp
# 確認 ffmpeg 已安裝(音訊處理需要)
ffmpeg -version
如果缺少 ffmpeg:
- macOS:
brew install ffmpeg - Ubuntu/Debian:
sudo apt install ffmpeg - Windows:從 https://ffmpeg.org/download.html 下載
2. 從 YouTube 下載音訊
# 下載最佳音訊品質為 WAV 格式
yt-dlp -x --audio-format wav -o "%(title)s.%(ext)s" "YOUTUBE_URL"
# 下載為 MP3(檔案較小)
yt-dlp -x --audio-format mp3 -o "%(title)s.%(ext)s" "YOUTUBE_URL"
# 以影片 ID 作為檔名下載(避免特殊字元問題)
yt-dlp -x --audio-format wav -o "%(id)s.%(ext)s" "YOUTUBE_URL"
3. 選擇 Whisper 模型
| 模型 | 參數量 | VRAM | 相對速度 | 使用情境 |
|---|---|---|---|---|
| tiny | 39M | ~1 GB | ~32x | 快速草稿、測試 |
| base | 74M | ~1 GB | ~16x | 快速轉錄 |
| small | 244M | ~2 GB | ~6x | 良好平衡 |
| medium | 769M | ~5 GB | ~2x | 高準確度 |
| large | 1550M | ~10 GB | 1x | 最佳準確度 |
僅限英文的模型(tiny.en、base.en、small.en、medium.en)對於英文內容速度更快。
4. 執行轉錄
指令列方式:
# 基本轉錄(自動偵測語言)
whisper audio.wav --model medium
# 指定語言以獲得更好的準確度
whisper audio.wav --model medium --language en
# 輸出特定格式
whisper audio.wav --model medium --output_format srt
# 一次輸出所有格式
whisper audio.wav --model medium --output_format all
# 指定輸出目錄
whisper audio.wav --model medium --output_dir ./transcripts
Python 方式:
import whisper
# 載入模型(首次執行時會下載)
model = whisper.load_model("medium")
# 轉錄
result = model.transcribe("audio.wav", language="en")
# 取得純文字
print(result["text"])
# 取得包含時間戳記的區段
for segment in result["segments"]:
print(f"[{segment['start']:.2f} - {segment['end']:.2f}] {segment['text']}")
5. 單一指令管線
合併下載與轉錄:
# 一條指令完成下載和轉錄
yt-dlp -x --audio-format wav -o "audio.wav" "YOUTUBE_URL" && whisper audio.wav --model medium --output_format all
6. 替代方案:yt-whisper 工具
若要更簡單的工作流程,可以使用專用的 yt-whisper 套件:
# 安裝
pip install git+https://github.com/m1guelpf/yt-whisper.git
# 直接從網址轉錄
yt_whisper "https://www.youtube.com/watch?v=VIDEO_ID"
# 搭配選項
yt_whisper "YOUTUBE_URL" --model medium --language en --output_format srt
輸出格式
| 格式 | 副檔名 | 說明 |
|---|---|---|
| txt | .txt | 純文字逐字稿 |
| srt | .srt | SubRip 字幕格式(包含時間戳記) |
| vtt | .vtt | WebVTT 字幕格式 |
| tsv | .tsv | 以 Tab 分隔的值 |
| json | .json | 完整的資料,包含逐字時間戳記 |
範例
準則
- 在知道口語語言時使用
--language標記,可顯著提升準確度 - 長影片(超過 1 小時)建議使用
small或medium模型以平衡速度與準確度 - 僅限英文的模型(
.en後綴)處理英文內容速度更快、準確度更高 - 使用具備 CUDA 的 GPU 可大幅加速轉錄;CPU 也可用,但速度慢 5-10 倍
- 若轉錄失敗,請確認 ffmpeg 已正確安裝且在 PATH 環境變數中
- 含有背景音樂的影片,較大的模型(medium/large)處理效果較佳
- 轉錄完成後請清理音訊檔案以節省磁碟空間
- 使用
--output_format all一次取得所有格式,再從中挑選所需格式