YouTube-transkripsjonsagentferdighet

YouTube-transkripsjon

Laster ned transkripsjoner (undertekster/bildetekster) fra YouTube-videoer. Fungerer med både manuelt opprettede og automatisk genererte transkripsjoner. Ingen API-nøkkel eller nettleser kreves — bruker YouTubes InnerTube-API direkte og faller automatisk tilbake til yt-dlp når YouTube blokkerer den direkte API-stien.

Henter videometadata og forsidebilde ved første kjøring, hurtiglagrer rådata for rask omformatering.

Skriptkatalog

Skript i scripts/-underkatalogen. {baseDir} = denne SKILL.md-filens katalogbane. Løs opp ${BUN_X}-kjøretid: hvis bun er installert → bun; hvis npx er tilgjengelig → npx -y bun; ellers foreslå å installere bun. Erstatt {baseDir} og ${BUN_X} med faktiske verdier.

Bruk

# Standard: markdown med tidsstempler (engelsk)
${BUN_X} {baseDir}/scripts/main.ts <youtube-url-eller-id>

# Spesifiser språk (prioritetsrekkefølge)
${BUN_X} {baseDir}/scripts/main.ts <url> --languages zh,en,ja

# Uten tidsstempler
${BUN_X} {baseDir}/scripts/main.ts <url> --no-timestamps

# Med kapittelinndeling
${BUN_X} {baseDir}/scripts/main.ts <url> --chapters

# Med taleridentifikasjon (krever AI-etterbehandling)
${BUN_X} {baseDir}/scripts/main.ts <url> --speakers

# SRT-undertekstfil
${BUN_X} {baseDir}/scripts/main.ts <url> --format srt

# Oversett transkripsjon
${BUN_X} {baseDir}/scripts/main.ts <url> --translate zh-Hans

# List opp tilgjengelige transkripsjoner
${BUN_X} {baseDir}/scripts/main.ts <url> --list

# Tving ny henting (ignorer hurtiglager)
${BUN_X} {baseDir}/scripts/main.ts <url> --refresh

Alternativer

Valgfrie miljøvariabler

Inndataformater

Godtar hvilken som helst av disse som videoinndata:

• Full URL: https://www.youtube.com/watch?v=dQw4w9WgXcQ
• Kort URL: https://youtu.be/dQw4w9WgXcQ
• Innbyggings-URL: https://www.youtube.com/embed/dQw4w9WgXcQ
• Shorts-URL: https://www.youtube.com/shorts/dQw4w9WgXcQ
• Video-ID: dQw4w9WgXcQ

Utdataformater

Utdatamappe

youtube-transcript/
├── .index.json                          # Video-ID → mappebane-mapping (for hurtiglager-oppslag)
└── {channel-slug}/{title-full-slug}/
    ├── meta.json                        # Videometadata (tittel, kanal, beskrivelse, varighet, kapitler, osv.)
    ├── transcript-raw.json              # Rå transkripsjonsutdrag fra YouTube-API (hurtiglagret)
    ├── transcript-sentences.json        # Setningssegmentert transkripsjon (delt ved tegnsetting, slått sammen på tvers av utdrag)
    ├── imgs/
    │   └── cover.jpg                    # Videominiatyrbilde
    ├── transcript.md                    # Markdown-transkripsjon (generert fra setninger)
    └── transcript.srt                   # SRT-undertekst (generert fra råutdrag, hvis --format srt)

• {channel-slug}: Kanalnavn i kebab-case
• {title-full-slug}: Full videotittel i kebab-case

--list-modus sender ut til stdout bare (ingen fil lagret).

Hurtiglaging

Ved første henting lagrer skriptet:

• meta.json — videometadata, kapitler, forsidebildesti, språkinformasjon
• transcript-raw.json — rå transkripsjonsutdrag fra YouTube-API ({ text, start, duration }[])
• transcript-sentences.json — setningssegmentert transkripsjon ({ text, start: "TT:mm:ss", end: "TT:mm:ss" }[]), delt ved setningsavsluttende tegnsetting (.?!…。？！ osv.), tidsstempler proporsjonalt fordelt etter tegnlengde, CJK-bevisst tekstsammenslåing
• imgs/cover.jpg — videominiatyrbilde

Påfølgende kjøringer for samme video bruker hurtiglagrede data (ingen nettverkskall). Bruk --refresh for å tvinge ny henting. Hvis et annet språk er forespurt, blir hurtiglageret automatisk oppdatert.

Når YouTube returnerer anti-bot / blokkerte svar på den direkte InnerTube-stien, prøver skriptet på nytt med alternative klientidentiteter og faller deretter tilbake til yt-dlp hvis tilgjengelig. Hvis tilbakefall er nødvendig, men yt-dlp er utilgjengelig, bør agenten selv avgjøre hvordan yt-dlp gjøres tilgjengelig og fortsette i stedet for å dytte installasjonsbeslutningen over på brukeren.

SRT-utdata (--format srt) genereres fra transcript-raw.json. Tekst-/markdown-utdata bruker transcript-sentences.json for naturlige setningsgrenser.

Arbeidsflyt

Når brukeren oppgir en YouTube-URL og ønsker transkripsjonen:

1. Kjør med --list først hvis brukeren ikke har spesifisert et språk, for å vise tilgjengelige alternativer
2. Sett alltid URL-en i enkle anførselstegn når du kjører skriptet — zsh behandler ? som et glob-jokertegn, så en ubeskyttet YouTube-URL forårsaker «no matches found»: bruk 'https://www.youtube.com/watch?v=ID'
3. Standard: kjør med --chapters --speakers for den rikeste utdataen (kapitler + taleridentifikasjon)
4. Skriptet lagrer automatisk hurtiglagrede data + utdatafil og skriver ut filbanen
5. For --speakers-modus: etter at skriptet har lagret råfilen, følg arbeidsflyten for taleridentifikasjon nedenfor for å etterbehandle med taleretiketter

Når brukeren bare ønsker et forsidebilde eller metadata, vil kjøring av skriptet med ethvert alternativ også hurtiglagre meta.json og imgs/cover.jpg.

Ved omformatering av samme video (f.eks. først tekst så SRT), gjenbrukes de hurtiglagrede dataene — ingen ny henting nødvendig.

Arbeidsflyt for kapitler og talere

Kapitler (--chapters)

Skriptet analyserer kapitteltidsstempler fra videobeskrivelsen (f.eks. 0:00 Introduksjon), segmenterer transkripsjonen etter kapittelgrenser, grupperer utdrag i lesbare avsnitt, og lagrer som .md med en innholdsfortegnelse. Ingen videre behandling nødvendig.

Hvis ingen kapitteltidsstempler finnes i beskrivelsen, sendes transkripsjonen ut som grupperte avsnitt uten kapitteloverskrifter.

Taleridentifikasjon (--speakers)

Taleridentifikasjon krever AI-behandling. Skriptet sender ut en rå .md-fil som inneholder:

• YAML-frontmatter med videometadata (tittel, kanal, dato, forsidebilde, beskrivelse, språk)
• Videobeskrivelse (for uttrekk av talernavn)
• Kapitelliste fra beskrivelse (hvis tilgjengelig)
• Rå transkripsjon i SRT-format (forhåndsberegnede start-/sluttidsstempler, tokeneffektivt)

Etter at skriptet har lagret råfilen, start en underagent (bruk en billigere modell som Sonnet for kostnadseffektivitet) for å behandle taleridentifikasjon:

1. Les den lagrede .md-filen
2. Les promptmalen på {baseDir}/prompts/speaker-transcript.md
3. Behandle den rå transkripsjonen i henhold til prompten:
   • Identifiser talere ved hjelp av videometadata (tittel → gjest, kanal → vert, beskrivelse → navn)
   • Oppdag talerskifter fra samtale flyt, spørsmål-svar-mønstre og kontekstuelle ledetråder
   • Segmenter i kapitler (bruk beskrivelseskapitler hvis tilgjengelig, ellers lag fra emneskifter)
   • Formater med **Talernavn:**-etiketter, avsnittsgruppering (2-4 setninger), og [TT:MM:SS → TT:MM:SS]-tidsstempler
4. Overskriv .md-filen med den behandlede transkripsjonen (behold YAML-frontmatteren)

Når --speakers brukes, er --chapters underforstått — den behandlede utdataen inkluderer alltid kapittelinndeling.

Feiltilfeller