whisper-transcribe

用 Whisper AI 將音頻/影片轉錄為高準確度字幕（SRT），可選翻譯和投遞。

何時使用

• yt-search 回報影片沒有字幕
• YouTube 自動字幕品質差（用戶抱怨不準）
• 用戶需要非 YouTube 來源的轉錄（本地音頻、會議錄音等）
• 用戶要求翻譯字幕
• 用戶想把字幕寄到信箱或上傳雲端

前置條件

• yt-dlp + ffmpeg（下載音頻）
• 本地模式：pip install faster-whisper（需 GPU 或可用 CPU）
• 雲端模式：pip install groq + GROQ_API_KEY

詳細安裝見 references/setup.md。

核心流程：轉錄

從 YouTube URL

python <skill-path>/scripts/transcribe.py "https://youtube.com/watch?v=xxx" \
  -o "$TEMP/transcripts" \
  --model large-v3 \
  --device cuda

從本地檔案

python <skill-path>/scripts/transcribe.py ./recording.mp3 \
  -o "$TEMP/transcripts" \
  --model large-v3

使用 Groq 雲端（無 GPU）

python <skill-path>/scripts/transcribe.py "URL_or_FILE" \
  -o "$TEMP/transcripts" \
  --backend groq

輸出：{video_id}.srt（帶時間碼）+ {video_id}.txt（純文字）。

參數選擇指引

不指定 --language 時會自動偵測。但已知語言時指定會提高準確度。

可選：翻譯字幕

轉錄完成後，用戶想翻譯：

python <skill-path>/scripts/translate_srt.py "$TEMP/transcripts/VIDEO_ID.srt" \
  --target zh-tw \
  --engine deepl \
  -o "$TEMP/transcripts/VIDEO_ID_zh.srt"

翻譯引擎選擇：

也可以讓 Agent 直接讀取 TXT 檔後在對話中翻譯，不需要額外 API — 適合短內容或用戶想邊看邊討論。

可選：投遞

寄到 Gmail

Agent 使用可用的 email 工具（Claude Code 有 Gmail MCP）：

1. 讀取轉錄/翻譯後的檔案
2. 建立草稿或直接發送，附上 SRT/TXT 檔案
3. 主旨建議：[Transcript] {影片標題}

上傳到 Google Drive

rclone copy "$TEMP/transcripts/VIDEO_ID.srt" gdrive:/Transcripts/
rclone copy "$TEMP/transcripts/VIDEO_ID.txt" gdrive:/Transcripts/

需要先設定 rclone（見 references/setup.md）。

如果用戶沒有 rclone，也可以用 Google Drive API 或手動告知檔案路徑讓用戶自己上傳。

與其他 Skill 的串接

← 從 yt-search 接手

yt-search 用 --list-subs 發現沒有字幕，或用戶表示自動字幕不準時：

1. 告知用戶：「這部影片沒有（好的）字幕，要用 Whisper 轉錄嗎？」
2. 用戶同意後，用影片 URL 執行轉錄
3. 輸出 SRT + TXT

→ 推送到 anything-to-notebooklm

轉錄完成後，用戶想推進 NotebookLM：

1. 用 TXT 檔做 notebooklm source add "$TEMP/transcripts/VIDEO_ID.txt" --wait
2. 或直接用影片 URL（NotebookLM 原生支援 YouTube）

TXT 檔的優勢：經過 Whisper 轉錄，品質遠高於 NotebookLM 自己抓的 YouTube 自動字幕。

完整工作流範例

用戶：「幫我找 AI agent 的教學影片」
  → yt-search 搜尋，列出 20 部

用戶：「第 3 部看起來不錯，幫我抓字幕」
  → yt-search 回報：這部影片沒有字幕

用戶：「那用 Whisper 轉錄」
  → whisper-transcribe 下載音頻 + 轉錄
  → 產出 SRT + TXT

用戶：「翻譯成繁中，然後寄到我信箱」
  → translate_srt.py 翻譯
  → Gmail 寄出

用戶：「也幫我推到 NotebookLM 生成播客」
  → anything-to-notebooklm source add TXT
  → generate audio

清理暫存

rm -rf "$TEMP/transcripts/"

注意事項

• 首次使用會下載模型（large-v3 約 3GB），之後從快取載入
• GPU 記憶體不足時自動降級：先試 large-v3，不行換 medium 或 small
• Windows 加 PYTHONUTF8=1 前綴
• 長音頻（> 3 小時）建議用本地模式，雲端 API 可能超時或超額