抓 YouTube 字幕，整理成文章

先看最短流程

原則是能撿現成的就撿：字幕比音訊快，音訊比錄音快。優先順序照下面走， 一層不行才降到下一層：

yt-dlp 直接列得到字幕
→ 直接用 yt-dlp 抓

會員影片、yt-dlp 看不到，但播放器設定裡有字幕軌
→ 從已登入的瀏覽器攔 timedtext（見會員影片一節）

播放器也沒有字幕軌
→ 下載音訊跑 Whisper

下載音訊也不可行（DRM 之類）
→ 最後才即時錄音

音訊下載通常遠快於影片長度，所以一支二十分鐘的影片不用播放二十分鐘。 如果只是想知道內容，流程走到筆記就夠；真的要公開發文，再多做查證與改寫。

第一次安裝

以下以 Windows PowerShell 為例。yt-dlp 負責拿字幕與音訊，FFmpeg 負責音訊轉換， Deno 則是新版 YouTube 完整解析所需的 JavaScript runtime。

winget install yt-dlp.yt-dlp
winget install Gyan.FFmpeg
winget install DenoLand.Deno

pip install -U openai-whisper

安裝後重開 PowerShell，用下面三行確認路徑已生效：

yt-dlp --version
ffmpeg -version
deno --version

yt-dlp 現在強烈建議同時準備 FFmpeg 與 JavaScript runtime；Whisper 需要系統裡真的有 FFmpeg 執行檔，不是安裝同名 Python 套件。版本或平台不同時，直接看 yt-dlp 官方文件 和 OpenAI Whisper。

字幕、音訊與 Whisper

每支影片都照同一個順序跑：先列出字幕，沒有才抓音訊。檔名一律使用影片 ID， 可以避開日文標題、特殊字元和同名檔案。

第一步：永遠先看有沒有字幕

$url = "https://www.youtube.com/watch?v=VIDEO_ID"
yt-dlp --list-subs $url

看到人工字幕或 automatic captions，就不用跑語音辨識。把可能用到的繁中、中文、 日文和英文字幕抓下來：

yt-dlp --skip-download --write-subs --write-auto-subs `
  --sub-langs "zh-TW,zh-Hant,zh,ja.*,en" `
  -o "%(id)s.%(ext)s" $url

產出的 VTT 已經有時間碼，可以直接整理。原始字幕先留著，不要一開始就叫模型「潤稿」； 模型可能會把聽不清楚的地方順手補成一個看似合理、其實沒人說過的句子。

第二步：沒有字幕才下載音訊

-x 表示只取音訊，不會把整支影片載回來：

yt-dlp -x --audio-format m4a `
  -o "%(id)s.%(ext)s" $url

如果只需要前十分鐘，直接加--download-sections "*00:00-10:00"，不必先下載整段再自己切。

第三步：交給 Whisper

whisper "VIDEO_ID.m4a" `
  --language Japanese `
  --task transcribe `
  --model turbo `
  --output_format all `
  --output_dir ".\VIDEO_ID"

日文改 Japanese、中文改 Chinese；不確定語言也可以省略。turbo 適合先拿草稿，訪談、多人閒聊或專有名詞很多時，再換large-v3。第一次執行會先下載模型，之後才會快。

已知會出現的人名、公司名或術語，可以加--initial_prompt "會出現的詞：私立恵比寿中学、えびチリ"。 這不是保證正確，但通常比轉完後到處修同一個名字省事。

會員影片與失敗排查

帳號有觀看權限

讓本機 yt-dlp 讀取 Chrome 的登入狀態即可，不需要把帳密交給第三方網站：

yt-dlp --cookies-from-browser "chrome:Default" `
  -x --audio-format m4a `
  -o "%(id)s.%(ext)s" $url

帳號在別的 Chrome 使用者中，就把 Default 改成 Profile 1； cookie 資料庫被鎖住時，先完全關閉 Chrome 再跑。不要把 cookies 匯出後上傳給字幕網站、 模型或其他人，那份檔案等同一段可用的登入權限。

yt-dlp 看不到，但播放器其實有字幕軌

這次實際踩到的情況，有兩個很容易誤判的點。第一，會員影片剛載入時，CC 按鈕可能暫時顯示 unavailable，不能立刻斷定沒有字幕；等播放器初始化完， 打開「設定 → Subtitles/CC」看有沒有字幕軌才算數。選單裡出現 Subtitles/CC Chinese 這種選項，就是獨立的字幕軌，不只是壓在畫面上的字。

第二，頁面原始碼裡的字幕 baseUrl 不一定抓得到內容：少了播放器產生的 pot 這類參數時，伺服器會回 200 但內容是空的。 拿到 200 不等於下載成功，要看內容有沒有東西。

正確做法是攔播放器實際發出的請求：開 DevTools 的 Network、篩 timedtext，把 CC 打開，抓那條完整的 /api/timedtext?...&pot=...&fmt=json3 請求，把回應存下來。 一開始沒看到請求，就把 CC 關掉再打開，讓播放器重新載入字幕。

這條路不需要匯出 cookies。簽名過的 URL 通常有期限，抓到就立刻下載。

常見錯誤

• No supported JavaScript runtime：先確認 Deno 安裝成功；如果已經有 Node 22 以上， 也可以在 yt-dlp 指令後加 --js-runtimes node。
• ffmpeg not found：重開終端後再試；-x 和音訊格式轉換都依賴 FFmpeg。
• faster-whisper 報 CUDA DLL 不存在：有 NVIDIA 顯卡不等於 cuBLAS、cuDNN 與 CTranslate2 已接好。Windows 可先安裝 nvidia-cublas-cu12、nvidia-cudnn-cu12，並確認兩者的 bin 目錄在 PATH；只想先拿草稿，就暫時改用 CPU 或 turbo。
• 下載仍被擋：先更新 yt-dlp。真的碰到 DRM 或播放器專用串流，才退回 OBS／系統音訊錄製； 這不是一般 YouTube 影片的預設流程。

這次實測

測試用的是 2026 年 7 月 22 日公開的 「えびチリ、はじめました」MV 幕後影片 跑了一次。影片長 18:50，--list-subs 確認人工字幕與自動字幕都不存在； 接著直接下載 17.45 MiB 的 m4a 音訊，再以 faster-whisper 的日文 large-v3 轉錄。

下載只花幾秒；補齊 CUDA runtime 後，RTX 5060 跑 large-v3 約 43 秒。 整段都不需要播放 18 分 50 秒，也不占用瀏覽器。

這類幕後花絮有多人同時說話、笑聲、遠距離收音和背景音樂，逐字稿一定要視為草稿。 也試過 CPU small：不到一分鐘就跑完，但重複與誤聽明顯，不能直接使用。 人名、歌名和重疊對話仍要回到時間碼人工確認；模型大、輸出看起來流暢，也不代表每一句都是真的。

從逐字稿到文章

原始輸出、整理稿和最後文章分開存。原始稿不修改，之後才有辦法回頭核對：

VIDEO_ID/
├── source.url       # 影片網址與基本資料
├── source.srt       # Whisper 或 YouTube 的原始字幕
├── transcript.md    # 人工修過的可讀稿
├── notes.md         # 重點、疑問與待查證項目
└── article.md       # 真的要發布時才建立

先修辨識，不要先改寫

保留所有時間碼與原意，修正明顯的語音辨識錯誤。
不要摘要、不要補寫講者沒說的內容。
無法確認的人名或句子標成 [聽不清]；多人同時說話標成 [重疊]。

再整理成能看的筆記

請根據逐字稿整理：
1. 內容按主題分段，每段附時間範圍
2. 核心主張、理由、例子與保留條件分開
3. 標出前後矛盾、值得查證的數字與專有名詞
4. 「講者實際說的」與「你的推論」分開
5. 不確定的地方保留 [待確認]，不要猜

大部分影片停在 notes.md 就夠了。這一步的重點不是文筆，而是拿到一份可搜尋、 可回到時間碼核對，而且把事實與模型推論分開的筆記。

最後才改成文章

公開文章尤其容易把摘要寫成講者原話。涉及人物評論、財經或技術判斷時，數字、日期、 引述與因果關係都要逐項查證。這也是在 KOL 言論要拆解不能照單全收 裡採用的分法。

把 notes.md 改寫成文章：
- 按讀者理解順序重排，不照逐字稿逐句重述
- 引述、摘要與作者分析明確分開
- 待查證項目逐項查；查不到就寫「未確認」
- 刪掉套話、重複結論與 AI 常見的空泛收尾
- 保留具體細節與人的語氣，不替當事人補動機
- 另附一版適合社群發布的 300 字短文

不是每支影片都值得變成長文。先取得可靠的文字，值得留下的內容再投入時間查證和成文， 這樣整條流程才不會反過來變成新的負擔。