swei99386-alt/video-to-text-skill

把影片/音訊裡「說出來的話」變成文字稿。這裡有踩過血坑的固定套路，嚴格按順序走，別自作聰明繞過第 0 步。

鐵律（這條最重要，先記住）

永遠先找「現成字幕」，實在沒有才動用「聽譯」。 絕大多數正經演講、大會、播客都會傳到 YouTube，而 YouTube 幾乎都自帶字幕——一條命令幾秒鐘扒下來，免費、不下整段影片、不佔顯示卡。 今天就是沒走這條近路，傻乎乎地把 450MB 影片下下來、用處理器硬跑半小時聽譯，還跑出一堆錯字。這個坑不許再踩。

第 0 步 拿到連結先分清楚兩件事，再決定順序

轉文字（要這段話的文字稿）和查來頭（誰講的、原版哪天講的、是不是完整版）是兩碼事，別捆一起。舊版無腦「看到 X 就先跑 YouTube」是錯的——X 自己也常自帶字幕，那趟 YouTube 白跑。

轉文字：永遠先就近探手上這條連結，不必預設繞 YouTube。

1. 直接跑 grab.py——腳本會先扒該連結自帶的字幕（X 常有 en/es 等字幕），扒到就收工，這是最快的近路。
2. 只有下面兩種才值得繞去 YouTube 找原版：
   • X 上壓根沒字幕（YouTube 那邊多半有）；
   • X 上是剪輯片段——文案在講一個更長的影片、但 X 段子只有一兩分鐘（扒它只得一小截，要全片才去找原版）。 繞法：搜「演講者 + 主題/標題 + 活動名」找到 YouTube 原版，用它進第 1 步。

時長就是照妖鏡： 先 yt-dlp --no-download --print "%(duration_string)s" 看一眼。X 段子跟文案吹的差不多長（說「28 分鐘」、就是 27 分）= 完整搬運，直接扒；短一大截 = 剪輯片段，得去找原版。

查來頭（誰/哪天講的/是否完整）是另一碼事，只有用戶開口問才做，不是轉文字的必經步驟。 而且夠用就停：查到能回答用戶的資訊即可，別追精確日期、官方原版這種用戶沒要求的精度反覆搜（2026-07-22 踩過這坑）。

第 1 步 一鍵跑腳本（它自己判斷走字幕還是聽譯）

python "C:/Users/Administrator/.claude/skills/影片轉文字/scripts/grab.py" "<連結或本地檔案>" "輸出資料夾名稱" [語言]

第三個參數【語言】可選：中文影片傳 zh（會強制中文+繁體輸出）、英文傳 en、不傳則自動判斷。 腳本內部邏輯（已寫死）：

• 先扒現成字幕 → 成功就秒出 完整文字稿.txt，收工。
• 扒不到字幕 → 才自動摳聲音、用顯示卡（GPU）跑聽譯（不是處理器）。
• 產物統一落到桌面 <輸出資料夾名稱> 裡：完整文字稿.txt（乾淨純文字）+ 原始字幕/字幕檔案。

跑完把 完整文字稿.txt 的位置和詞數報給用戶即可。

嗶哩嗶哩 / 國內網站（和 YouTube 不一樣，單獨記）

• 能下載：下載工具支援嗶哩嗶哩（B 站）、以及不少國內站，抓影片/聲音這步沒問題。
• 但「扒現成字幕」這條免費近路基本指望不上：B 站沒有 YouTube 那種全站機器字幕，只有少數 UP 主手傳了 CC 字幕才扒得到。彈幕不是字幕（彈幕是觀眾飄屏評論，不是台詞），別去扒彈幕。
• 所以 B 站影片絕大多數直接走「顯示卡聽譯」。中文影片記得把第三個參數傳 zh：

  python ".../grab.py" "<B站連結>" "輸出資料夾名稱" zh
  

• 中文精度提醒：現在用的是小號（small）模型，認中文只能「聽個大概」，容易有錯別字。要更準需換中號（medium）模型（約 1.5G，一次性下載，當前未裝）。用戶 2026-07-21 選了「先用小號將就」、要更準時再裝 medium 並把腳本 --model small 改成 medium。
• 登入：B 站會員專享/高清/需登入的影片，下載時要帳號 cookie。遇到先問用戶，別擅自動帳號。

抓不到連結的影片（微信影片號 / 付費加密頁 / 任何只能在螢幕上播的）→ 錄螢幕聲音

下載工具夠不著這類影片（影片號關在 App 裡、付費頁有加密）。唯一通用辦法：邊播邊錄電腦正在響的聲音，再轉文字。本機已裝好內錄能力（soundcard 庫，不用驅動/不用點設定）。

三步走：

1. 開錄（背景跑，錄到你停它為止）：

   python "C:/Users/Administrator/.claude/skills/影片轉文字/scripts/record.py" "輸出資料夾名稱"
   

2. 把影片從頭播到尾（即時錄，3 小時的影片就得播 3 小時，快進不了）。
3. 停掉錄製程序（智能體停背景任務 = 硬停，沒關係），然後直接把 錄音.pcm 餵給 grab.py 轉文字（它認得 pcm，中文加 zh）：

   python "C:/Users/Administrator/.claude/skills/影片轉文字/scripts/grab.py" "<桌面路徑>/<資料夾>/錄音.pcm" "<資料夾>" zh
   

• 邊錄邊寫磁碟，中途被強殺也不整段丟（pcm 一直在，不依賴任何「收尾」步驟）。
• 能拿到連結就別用錄的：下載幾分鐘搞定，錄得即時等滿全程。錄螢幕只留給真抓不到連結的。

第 2 步 只有聽譯時才需要關心的事

• 必須走顯示卡：這台機器有 NVIDIA GTX 1060（5G 顯示記憶體），腳本會自動優先用它。若某天日誌裡顯示「處理器（CPU）」，說明「會用顯示卡的 torch」又被換回 CPU 版了，按下面【顯示卡地基】一節修。
• 時長很長（>20 分鐘）、跑起來慢是正常的，但用顯示卡應是分鐘級；若慢得像半小時那必是掉回 CPU 了。
• 聽譯難免有錯字/漏詞，是「聽個大概」，精度不如原生字幕。能扒到字幕就別聽譯。

顯示卡地基（聽譯要靠它，壞了照這修）

聽譯用顯示卡的前提是裝了「會用顯示卡」版的 torch。自檢：

C:/Users/Administrator/portable-python311/runtime/python.exe -c "import torch;print(torch.__version__, torch.cuda.is_available())"

• 顯示 ...+cu126 True = 正常，能用顯示卡。
• 顯示 ...+cpu False = 掉回只用處理器了，重裝：

C:/Users/Administrator/portable-python311/runtime/python.exe -m pip install --force-reinstall torch==2.11.0 --index-url https://download.pytorch.org/whl/cu126

（driver CUDA 12.6 → 用 cu126 源。這塊 5G 顯示卡夠跑語音辨識/OCR/中小模型；要 8G 顯示記憶體起步的大模型帶不動。）

常用手動命令（腳本之外，備查）

• 只看有哪些字幕語言： yt-dlp --no-download --list-subs "<url>"
• 只扒英文字幕不下影片： yt-dlp --skip-download --write-auto-subs --sub-langs "en-orig,en.*" --convert-subs srt -o "%(title)s.%(ext)s" "<url>"
• 核對時長/發布日： yt-dlp --no-download --print "%(title)s | %(duration_string)s | %(upload_date)s" "<url>"