youtube-transcribe

YouTube Transcribe

将一段视频——或围绕某个主题的一系列视频——转换成真正便于阅读和分析的文本。重点不是只交付一份转录稿，而是吸收视频讲授的内容，并以有用的方式汇报。

流程：查找 → 下载 → 转录 →（查看画面）→（询问 Gemini）→ 综合整理。 大多数任务只需中间几步。只有在口述内容不够时，才采用视觉分析步骤。

设置（每台机器仅需一次）

S=.claude/skills/youtube-transcribe/scripts
bash "$S/setup.sh"    # creates a venv, installs yt-dlp + elevenlabs + google-genai (idempotent)

如果在 Debian/Ubuntu 上创建 venv 失败，请先安装 python3-venv（sudo apt-get install -y python3-venv）。

**密钥：**转录会读取 ELEVENLABS_API_KEY；Gemini 回退方案会读取 GEMINI_API_KEY。导出这些变量，或创建一个 scripts/load-keys.local.sh，按你喜欢的方式解析密钥（包装脚本会自动加载该文件；它已被 gitignore 忽略，不会随项目发布）。切勿在输出中打印密钥。

模式 A——单个视频

S=.claude/skills/youtube-transcribe/scripts
OUT=/tmp/claude/youtube-transcribe/<video-id>        # scratch; never a repo

bash "$S/download.sh"   "<url>" "$OUT" audio          # audio.mp3 + metadata.json
bash "$S/transcribe.sh" "$OUT/audio.mp3" "$OUT"        # transcript.txt + .diarized.txt + .json

然后阅读 transcript.diarized.txt（带时间戳，并按说话人分组），整理出重要内容：核心论点、步骤／方法、具体主张、数字，以及任何可采取行动的内容。略过填充内容。如果是教程，就记录实际操作方法；如果是演讲，就梳理论点和证据。

transcribe.sh 参数：--no-diarize（单个说话人）、--lang spa（语言提示；省略则自动检测）、--keyterms "Kubernetes,PyTorch,yt-dlp"（确保名称／术语拼写正确——否则 Scribe 会把它们弄错，进而影响摘要质量）。

模式 B——一个主题（多个视频）

搜索免费且无需 API 密钥——它使用 yt-dlp 自带的搜索功能。

S=.claude/skills/youtube-transcribe/scripts

# 1. Find candidates — pick the good ones by title/channel/duration before spending transcription on them.
bash "$S/search.sh" "quantitative trading with LLMs" 20            # id | duration | channel | title
bash "$S/search.sh" "quantitative trading with LLMs" 20 --date     # sort by newest instead of relevance

# 2. Transcribe the chosen ones in one go (each lands in <OUT>/<video-id>/).
bash "$S/search.sh" "quantitative trading with LLMs" 20 --urls > /tmp/urls.txt
#   ...edit /tmp/urls.txt down to the 10-15 worth watching, then:
bash "$S/batch.sh" /tmp/claude/youtube-transcribe/topic /tmp/urls.txt

有选择地挑选，而非穷尽搜索：3 小时的直播和 40 秒的 Shorts 很少都值得观看。优先考虑内容价值（时长、频道权威性、标题具体程度），而非单纯的观看次数。然后阅读每份转录稿，并综合整理出一份总结，涵盖它们的共识、分歧、最值得参考的单一来源，以及尚未解答的问题——而不是分别总结 N 个视频。

查看屏幕内容

转录稿会遗漏幻灯片、图表、代码、仪表板、产品画面，以及任何人指着说“这个”的内容。这里有两种逐步升级的工具：

**1. 视频帧（成本低，在本地完成）。**下载视频、提取静帧，然后阅读 JPG 文件。

bash "$S/download.sh" "<url>" "$OUT" video                 # video.mp4 (≤720p)
bash "$S/frames.sh"   "$OUT/video.mp4" "$OUT/frames" every 30          # one frame / 30s
bash "$S/frames.sh"   "$OUT/video.mp4" "$OUT/frames" at 00:01:20,00:04:05   # exact moments from the transcript

根据 transcript.diarized.txt 中的时间戳，截取有人说“正如你在这里看到的”那一刻的画面。

**2. Gemini（最后手段，需要 GEMINI_API_KEY）。**当视频帧不够用时——例如你需要理解视频内容、读取屏幕文字，或回答直接的视觉问题。Gemini 可直接处理 YouTube URL（无需下载）；若处理本地文件，则会先上传文件。

bash "$S/ask-gemini.sh" "<url-or-local-mp4>" "What indicators are shown on the chart at minute 4, and what are their values?"

Gemini 是回退方案，而非默认选项：转录成本更低、速度更快，而且通常已足够。只有在答案确实取决于视觉内容时，才使用 Gemini。

输出——吸收内容，不要照搬

默认生成精炼的知识摘要，而非一大堆转录稿：

• **内容是什么：**标题、频道、时长，以及一句话概述。
• **核心知识：**用自己的话概括实际观点／方法／主张，内容要具体、信息密集。
• **值得注意的细节：**值得保留的数字、名称、工具、步骤、引言（附 [mm:ss] 时间戳）。
• **注意事项／未经证实或带有营销意味的内容。**许多“教育类”视频实际上是营销漏斗——请直截了当地说明。

将原始 transcript.txt 保存在磁盘上，并注明其位置；只粘贴引言，不要贴出全文。

脚本

脚本	功能
scripts/setup.sh	创建 venv，安装依赖（可幂等执行）
scripts/search.sh "<q>" [n] [--date] [--urls]	搜索相关主题的视频——免费，无需 API 密钥
scripts/download.sh <url> <out> [audio|video|both]	使用 yt-dlp 下载音频（mp3）和/或视频（≤720p）及 metadata.json
scripts/transcribe.sh <audio> <out> [--no-diarize] [--lang] [--keyterms]	使用 ElevenLabs Scribe v2 转录，生成文本、说话人分离结果和原始 json
scripts/batch.sh <outdir> <urls-file>	批量下载并转录；每个视频单独存放在一个文件夹中，并生成清单
scripts/frames.sh <video> <out> every <sec> | at <ts,ts>	提取静帧以供查看
scripts/ask-gemini.sh <url|file> "<question>"	使用 Gemini 进行视觉理解（备用方案）

注意事项

• 仅用于临时处理。 媒体文件和转录文本存放在 /tmp/claude/youtube-transcribe/… 中，切勿放入代码仓库。文件可能很大。
• Scribe 限制： 每个文件最大 3 GB / 10 小时；支持 90 多种语言，可自动检测。约 12 分钟的演讲可一次调用完成。
• 年龄限制、仅限会员或私人视频可能需要 Cookie（yt-dlp --cookies-from-browser 或 --cookies）。使用 Gemini 时，最好上传下载好的文件，而不是提供它无法访问的 URL。
• 此工具用于从公开视频中学习。 请尊重版权和各平台的条款；请勿将他人的内容重新发布为自己的作品。