用 AI 把影片整理成筆記與文章

流程總覽

整條線是：影片 → 帶時間戳的逐字稿 → 筆記或文章。 前半段（拿逐字稿）全自動，工具都是現成的；後半段（整理）看需求， 大多時候丟給 GPT 問重點就結束，要發布成文章才走完整流程。

我常整理的是財經頻道的影片，之前在 KOL 言論要拆解不能照單全收 寫過原因。這套流程就是把「拆解」變成固定步驟：原話、摘要、自己的分析分開，數字列出來查。

拿到逐字稿：四種情況

先裝 yt-dlp（pip install -U yt-dlp，或 winget / brew 都有）。 依影片狀況分四種，由快到慢。

情況一：公開影片、有字幕（幾秒鐘）

不用下載影片，直接抓字幕檔。YouTube 的自動字幕也抓得到：

yt-dlp --write-auto-subs --sub-langs "zh-TW,zh,en" --skip-download -o "sub" URL

產出 sub.zh-TW.vtt 之類的字幕檔，裡面就是帶時間戳的逐字稿。 .vtt 直接丟給 AI 沒問題，它讀得懂；想要乾淨純文字再叫它幫你去掉時間軸就好。

情況二：公開影片、沒字幕（幾分鐘）

先只抓音訊，再丟轉錄。轉錄用 whisper-ctranslate2（faster-whisper 的指令列版）：

# 抓音訊(不下載影片,快很多)
yt-dlp -x --audio-format m4a -o "audio.m4a" URL

# 轉錄:輸出 txt + srt(帶時間戳)
pip install whisper-ctranslate2
whisper-ctranslate2 audio.m4a --model large-v3-turbo --language zh \
  --output_format txt srt

兩個中文的坑：第一，Whisper 輸出常是簡體，用 OpenCC 轉，或整份丟給 AI 叫它轉繁順便整理。 第二，專有名詞（幣種、公司名、技術詞）錯誤率高， 加 --initial_prompt "會出現的詞: Solana, 聯準會, ETF" 先餵給它，準確率會好很多。

沒有 GPU 的機器改走 Groq 的 API，跑一樣的模型，速度反而更快，一小時音訊只要幾美分：

curl https://api.groq.com/openai/v1/audio/transcriptions \
  -H "Authorization: Bearer $GROQ_API_KEY" \
  -F "file=@audio.m4a" -F "model=whisper-large-v3-turbo" \
  -F "response_format=verbose_json"

情況三：會員限定影片

帳號有權限的話，讓 yt-dlp 帶著瀏覽器的 cookies 走，多半直接就能抓：

yt-dlp --cookies-from-browser chrome -x --audio-format m4a URL

Windows 上 Chrome 要先完全關閉才讀得到 cookies；還是不行就改用 Firefox， 或用瀏覽器擴充功能把 cookies.txt 匯出來給 --cookies 用。

情況四：真的抓不下來

DRM 串流這類就是最後手段：邊播放邊錄系統音訊（OBS 或 Windows 的立體聲混音都行）， 錄完的檔案照情況二轉錄。最慢，但一定通。

轉錄工具怎麼選

• 有 NVIDIA GPU：faster-whisper 配 large-v3。求快換 large-v3-turbo，解碼快很多，品質掉一點點。
• Mac：whisper.cpp，在 Apple silicon 上比 faster-whisper 快不少。
• 要逐字時間戳或分講者：whisperX，在 faster-whisper 上加對齊跟 diarization。
• 不想架環境：Groq API（上面那條 curl）；ElevenLabs Scribe 則是內建分講者。
• 偷懶路線：Gemini API 可以直接吃 YouTube 網址（有每日時數上限）。快速摘要可以，認真整理還是先拿逐字稿比較穩，模型直接看影片容易只給表面層級的摘要。

檔案怎麼放

video-id/
├── source.txt    # 原始逐字稿,不修改
├── notes.md      # 整理出來的筆記
└── article.md    # 要發布才有:文章與短版

一支影片一個資料夾。原始逐字稿永不修改：AI 修稿常會順手改到語意， 出問題要能回頭對原話。另外轉錄的中間檔很容易堆在系統 Temp，那裡會被自動清掉，整理前記得搬走。

整理：大多時候丟 GPT 就夠

大部分影片我根本不會走到寫文章那步。最常做的就是把逐字稿（.vtt 原檔也行）直接丟給 GPT， 問幾個固定問題：

• 這支影片的核心主張是什麼，各在幾分幾秒
• 他給了什麼理由跟數據
• 有沒有前後矛盾，或他自己講的保留條件
• 哪些數字跟說法值得查證

五分鐘就有一份能存的筆記，比看完影片記得的多得多。 唯一要盯的是：叫它把「講者實際說的」跟「它自己的推論」分開，不然 AI 很愛把兩者混在一起。

要發布成文章再走完整流程

要公開發文（尤其會批評到別人觀點、或涉及投資判斷）標準就高了，多兩件事：查證（數字、日期、對他人立場的轉述、因果關係，逐項查，查不到就寫「未確認」，不准假裝查過）， 以及把原話、摘要、自己的分析分開呈現，不把推論寫成對方原話。 實際的 prompt 大概長這樣，照自己的領域調：

把這份逐字稿整理成一篇分析文章。要求:
- 先列內容卡:核心主張(帶時間戳)、理由與數據、講者自己的保留條件
- 「講者實際說的」「摘要」「你的分析」分開,不把推論寫成他的原話
- 需要查證的主張列成清單逐項查,查不到就寫「未確認」,不准假裝查過
- 文章按讀者理解的順序重排,不照逐字稿順序機械重述
- 不杜撰他沒說過的內容;涉及投資,事實與推測分開,不寫成買賣建議
- 最後另附一版 300 字的社群短文

整套跑下來，轉錄幾乎全自動，查證還是要人工把關，但比從零開始寫快非常多。