ทักษะตัวแทนการถอดข้อความ YouTube

ทรานสคริปต์ YouTube

ดาวน์โหลดทรานสคริปต์ (คำบรรยาย/แคปชัน) จากวิดีโอ YouTube ทำงานได้ทั้งคำบรรยายที่สร้างด้วยมือและสร้างโดยอัตโนมัติ ไม่ต้องใช้คีย์ API หรือเบราว์เซอร์ — ใช้ InnerTube API ของ YouTube โดยตรงและจะเปลี่ยนไปใช้ yt-dlp โดยอัตโนมัติหาก YouTube บล็อกเส้นทาง API โดยตรง

ดึงข้อมูลเมตาดาต้าของวิดีโอและภาพปกเมื่อเรียกใช้ครั้งแรก เก็บแคชข้อมูลดิบเพื่อการจัดรูปแบบใหม่ที่รวดเร็ว

ไดเรกทอรีสคริปต์

สคริปต์ในไดเรกทอรีย่อย scripts/ {baseDir} = เส้นทางไดเรกทอรีของ SKILL.md นี้ แปลงค่ารันไทม์ ${BUN_X}: หากติดตั้ง bun → bun; หากมี npx → npx -y bun; มิฉะนั้นแนะนำให้ติดตั้ง bun แทนที่ {baseDir} และ ${BUN_X} ด้วยค่าจริง

วิธีใช้

# ค่าเริ่มต้น: มาร์กดาวน์พร้อมตราประทับเวลา (อังกฤษ)
${BUN_X} {baseDir}/scripts/main.ts <youtube-url-or-id>

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

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

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

# ระบุผู้พูด (ต้องใช้การประมวลผลภายหลังด้วย AI)
${BUN_X} {baseDir}/scripts/main.ts <url> --speakers

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

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

# แสดงรายการทรานสคริปต์ที่มี
${BUN_X} {baseDir}/scripts/main.ts <url> --list

# บังคับดึงใหม่ (ไม่ใช้แคช)
${BUN_X} {baseDir}/scripts/main.ts <url> --refresh

ตัวเลือก

ตัวแปรสภาพแวดล้อมเสริม

รูปแบบอินพุต

ยอมรับรูปแบบใดๆ เหล่านี้เป็นอินพุตวิดีโอ:

• URL เต็ม: https://www.youtube.com/watch?v=dQw4w9WgXcQ
• URL ย่อ: https://youtu.be/dQw4w9WgXcQ
• URL ฝัง: https://www.youtube.com/embed/dQw4w9WgXcQ
• URL Shorts: https://www.youtube.com/shorts/dQw4w9WgXcQ
• รหัสวิดีโอ: dQw4w9WgXcQ

รูปแบบผลลัพธ์

ไดเรกทอรีผลลัพธ์

youtube-transcript/
├── .index.json                          # การจับคู่รหัสวิดีโอ → เส้นทางไดเรกทอรี (สำหรับค้นหาแคช)
└── {channel-slug}/{title-full-slug}/
    ├── meta.json                        # เมตาดาต้าวิดีโอ (ชื่อ, ช่อง, คำอธิบาย, ระยะเวลา, บท, ฯลฯ)
    ├── transcript-raw.json              # ส่วนย่อยของทรานสคริปต์ดิบจาก YouTube API (แคช)
    ├── transcript-sentences.json        # ทรานสคริปต์ที่แบ่งเป็นประโยค (แยกตามเครื่องหมายวรรคตอน, รวมข้ามส่วนย่อย)
    ├── imgs/
    │   └── cover.jpg                    # ภาพปกขนาดย่อ
    ├── transcript.md                    # ทรานสคริปต์มาร์กดาวน์ (สร้างจากประโยค)
    └── transcript.srt                   # คำบรรยาย SRT (สร้างจากส่วนย่อยดิบ หากใช้ --format srt)

• {channel-slug}: ชื่อช่องในรูปแบบ kebab-case
• {title-full-slug}: ชื่อวิดีโอเต็มในรูปแบบ kebab-case

โหมด --list จะพิมพ์ผลลัพธ์ไปยัง stdout เท่านั้น (ไม่บันทึกไฟล์)

การแคช

เมื่อดึงครั้งแรก สคริปต์จะบันทึก:

• meta.json — เมตาดาต้าวิดีโอ, บท, เส้นทางภาพปก, ข้อมูลภาษา
• transcript-raw.json — ส่วนย่อยของทรานสคริปต์ดิบจาก YouTube API ({ text, start, duration }[])
• transcript-sentences.json — ทรานสคริปต์ที่แบ่งเป็นประโยค ({ text, start: "HH:mm:ss", end: "HH:mm:ss" }[]), แยกตามเครื่องหมายจบประโยค (.?!…。？！ ฯลฯ), จัดสรรตราประทับเวลาตามสัดส่วนความยาวอักขระ, รวมข้อความโดยรู้จัก CJK
• imgs/cover.jpg — ภาพปกขนาดย่อ

การเรียกใช้ครั้งต่อไปสำหรับวิดีโอเดียวกันจะใช้ข้อมูลแคช (ไม่เรียกเครือข่าย) ใช้ --refresh เพื่อบังคับดึงใหม่ หากมีการร้องขอภาษาอื่น แคชจะถูกรีเฟรชโดยอัตโนมัติ

เมื่อ YouTube ตอบกลับด้วยการต่อต้านบอท / ถูกบล็อกบนเส้นทาง InnerTube โดยตรง สคริปต์จะลองใหม่ด้วยข้อมูลประจำตัวไคลเอนต์อื่นแล้วจึงเปลี่ยนไปใช้ yt-dlp หากมี หากจำเป็นต้องสำรองแต่ yt-dlp ไม่พร้อมใช้งาน เอเจนต์ควรตัดสินใจว่าจะทำให้ yt-dlp พร้อมใช้งานและดำเนินการต่ออย่างไรแทนที่จะผลักภาระการตัดสินใจติดตั้งให้ผู้ใช้

ผลลัพธ์ SRT (--format srt) สร้างจาก transcript-raw.json ผลลัพธ์ข้อความ/มาร์กดาวน์ใช้ transcript-sentences.json เพื่อขอบเขตประโยคที่เป็นธรรมชาติ

เวิร์กโฟลว์

เมื่อผู้ใช้ระบุ URL ของ YouTube และต้องการทรานสคริปต์:

1. เรียกใช้ด้วย --list ก่อนหากผู้ใช้ไม่ได้ระบุภาษา เพื่อแสดงตัวเลือกที่มี
2. ใส่ URL ในเครื่องหมายคำพูดเดี่ยวเสมอ เมื่อเรียกใช้สคริปต์ — zsh ถือว่า ? เป็นอักขระไวลด์การ์ดแบบ glob ดังนั้น URL YouTube ที่ไม่มีเครื่องหมายคำพูดจะทำให้เกิด "no matches found": ใช้ 'https://www.youtube.com/watch?v=ID'
3. ค่าเริ่มต้น: เรียกใช้ด้วย --chapters --speakers เพื่อผลลัพธ์ที่สมบูรณ์ที่สุด (บท + การระบุผู้พูด)
4. สคริปต์จะบันทึกข้อมูลแคช + ไฟล์ผลลัพธ์โดยอัตโนมัติและพิมพ์เส้นทางไฟล์
5. สำหรับโหมด --speakers: หลังจากสคริปต์บันทึกไฟล์ดิบ ให้ทำตามเวิร์กโฟลว์การระบุผู้พูดด้านล่างเพื่อประมวลผลภายหลังด้วยป้ายกำกับผู้พูด

เมื่อผู้ใช้ต้องการเพียงภาพปกหรือเมตาดาต้า การเรียกใช้สคริปต์ด้วยตัวเลือกใดๆ จะแคช meta.json และ imgs/cover.jpg ด้วย

เมื่อจัดรูปแบบวิดีโอเดียวกันใหม่ (เช่น ข้อความก่อนแล้วจึง SRT) ข้อมูลที่แคชแล้วจะถูกใช้ซ้ำ — ไม่จำเป็นต้องดึงใหม่

เวิร์กโฟลว์บทและผู้พูด

บท (--chapters)

สคริปต์จะแยกวิเคราะห์ตราประทับเวลาของบทจากคำอธิบายวิดีโอ (เช่น 0:00 บทนำ), แบ่งทรานสคริปต์ตามขอบเขตของบท, จัดกลุ่มส่วนย่อยเป็นย่อหน้าที่อ่านได้, และบันทึกเป็น .md พร้อมสารบัญ ไม่ต้องประมวลผลเพิ่มเติม

หากไม่มีตราประทับเวลาบทในคำอธิบาย ทรานสคริปต์จะถูกแสดงเป็นย่อหน้ากลุ่มโดยไม่มีหัวข้อบท

การระบุผู้พูด (--speakers)

การระบุผู้พูดต้องใช้การประมวลผลด้วย AI สคริปต์จะสร้างไฟล์ .md ดิบที่ประกอบด้วย:

• frontmatter YAML พร้อมเมตาดาต้าวิดีโอ (ชื่อ, ช่อง, วันที่, ปก, คำอธิบาย, ภาษา)
• คำอธิบายวิดีโอ (สำหรับการสกัดชื่อผู้พูด)
• รายการบทจากคำอธิบาย (หากมี)
• ทรานสคริปต์ดิบในรูปแบบ SRT (ตราประทับเวลาเริ่ม/สิ้นสุดที่คำนวณล่วงหน้า, ประหยัดโทเค็น)

หลังจากสคริปต์บันทึกไฟล์ดิบ ให้สร้างซับเอเจนต์ (ใช้โมเดลที่ถูกกว่าเช่น Sonnet เพื่อประหยัดค่าใช้จ่าย) เพื่อประมวลผลการระบุผู้พูด:

1. อ่านไฟล์ .md ที่บันทึกไว้
2. อ่านเทมเพลตพร้อมต์ที่ {baseDir}/prompts/speaker-transcript.md
3. ประมวลผลทรานสคริปต์ดิบตามพร้อมต์:
   • ระบุผู้พูดโดยใช้เมตาดาต้าวิดีโอ (ชื่อ → แขก, ช่อง → โฮสต์, คำอธิบาย → ชื่อ)
   • ตรวจจับการเปลี่ยนผู้พูดจากการไหลของบทสนทนา, รูปแบบคำถาม-คำตอบ, และเบาะแสบริบท
   • แบ่งเป็นบท (ใช้บทจากคำอธิบายหากมี, มิฉะนั้นสร้างจากกะงานหัวข้อ)
   • จัดรูปแบบด้วยป้ายกำกับ **ชื่อผู้พูด:**, การจัดกลุ่มย่อหน้า (2-4 ประโยค), และตราประทับเวลา [HH:MM:SS → HH:MM:SS]
4. เขียนทับไฟล์ .md ด้วยทรานสคริปต์ที่ประมวลผลแล้ว (เก็บ frontmatter YAML ไว้)

เมื่อใช้ --speakers, --chapters จะถูกใช้โดยนัย — ผลลัพธ์ที่ประมวลผลจะรวมการแบ่งบทเสมอ

กรณีข้อผิดพลาด