Run any Skill in Manus with one click

srt

Stars2

Forks1

UpdatedApril 3, 2026 at 11:22

影片/音檔一鍵產出校正後的繁體中文字幕（YouTube 下載 → ASR → 預處理 → LLM 校正 → 後處理）。當用戶提到「做字幕」「跑字幕」「產字幕」「字幕 xxx」「幫我 transcribe」「srt」「這個影片要上字幕」，或給了 YouTube 連結、影片/音檔路徑並暗示需要字幕時使用。也適用於用戶要求「更新術語」「學習術語」「術語表」時（--learn 模式）。不要用於：已有 SRT 只想潤稿（用 subtitle-polisher）、翻譯（用 translator 類 skill）。

Installation

Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.

Run Skill in Manus

Source

fredchu

fredchu/claude-dotfiles

View GitHub Repository View Creator Repositories

Download

Run Skill in Manus

Related occupationsSOC

Based on SOC occupation classification

Software DevelopersComputer and Mathematical Occupations·SOC 15-1252

File Explorer

2 files

SKILL.md

readonly

SRT — 一鍵字幕 Pipeline

將影片或音檔轉成校正後的台灣繁體中文 SRT 字幕。全程自動化，用戶只需提供 YouTube 連結或本地檔案路徑。

Pipeline 總覽

YouTube 連結 或 本地影片/音檔
  ↓ Step 0 (if YouTube): yt-dlp 下載影片
  ↓ Step 0.5 (if 投影片文字): 抽取本集術語補充表
本地影片檔
  ├─ Step 1:  subtitle.sh (Breeze ASR)        ─┐ 平行
  └─ Step 1': vibevoice_asr.py (VV ASR)       ─┘
原始 SRT (.srt) + VV JSON
  ↓ Step 1.5: srt_hallucination_fix.py (幻覺偵測+自動修復)
  ↓ Step 2a: srt_preprocess.py → _2a_preprocessed.srt
  ↓ Step 2b: Agent subagent (Sonnet) 逐段校正 + VV 交叉參考 → _2b_corrected.srt
  ↓ Step 2c: 複查 + srt_postprocess.py → _2c_reviewed.srt → _2c_final.srt
  ↓ Step 3: 術語學習
術語表自動成長
  ↓ Step 4 (if 有影片檔): ffmpeg 合併字幕進影片
字幕影片 (_sub.mkv)

檔案路徑

所有 pipeline 腳本位於：

SUBTITLE_DIR=/Users/fredchu/Documents/For_Claude/scripts/subtitle
CORRECT_DIR=${SUBTITLE_DIR}/srt_correct

${SUBTITLE_DIR}/
├── subtitle.sh                          # Step 1: ASR
├── srt_correct/
│   ├── srt_correct_prompt.txt           # LLM system prompt
│   ├── srt_preprocess.py                # Step 2a: 機械性預處理
│   ├── srt_postprocess.py               # Step 2c: 後處理（強制拆句等）
│   └── terms_austin_v2.txt              # Austin 術語表

執行步驟

解析用戶意圖

從用戶訊息中判斷輸入類型，三種路徑：

輸入	判斷方式	起始步驟
YouTube 連結	包含 youtube.com 或 youtu.be	Step 0（下載）→ Step 1 → Step 2
本地影片	.mp4 / .mkv / .mov / .webm 等	Step 1（ASR）→ Step 2
本地音檔	.mp3 / .wav / .m4a / .flac 等	Step 1（ASR，subtitle.sh 自動處理音檔格式）→ Step 2

其他參數：

ASR 模式：預設 Breeze（--breeze）。用戶提到 whisper / 英文內容 / 非中文 → 用 Whisper（不加 --breeze）
術語表：預設 terms_austin_v2.txt。用戶指定其他講者 → 尋找對應術語表
投影片文字：用戶提供投影片文字檔（.txt）→ 啟用 Step 0.5 抽取本集術語
特殊要求：--learn（術語學習）、--bilingual（雙語輸出）
LLM 模式：預設 Sonnet subagent（雲端）。用戶提到 --local / 「用本地」/ 「離線」→ 用 Ollama gemma4:26b。需要 Ollama 已啟動且 gemma4:26b 已拉取

工作目錄設定（每部影片必做）

所有產出檔案放進 media/<簡短名稱>/，不要散落在根目錄。

從影片標題取一個簡短資料夾名：去掉 YouTube ID、去掉副檔名、截斷過長標題
- 例：20260311-驚不驚喜 [CkzcQfVr5ow].mkv → 20260311-驚不驚喜
- 例：投資組合-2月-03 [DZ5LgiWOPZ8].mkv → 投資組合-2月-03
- 例：YouTube 標題 用Claude Code自动做Skill的万能配方 → 用Claude-Code自动做Skill
建立目錄：

VIDEO_DIR="${SUBTITLE_DIR}/media/<簡短名稱>"
mkdir -p "${VIDEO_DIR}"

後續所有步驟的 <工作目錄> 都用 ${VIDEO_DIR}

Step 0 (YouTube only): 下載影片

只有輸入是 YouTube 連結時才執行這步。本地檔案直接跳到 Step 1。

cd "${VIDEO_DIR}"
yt-dlp -f "bestvideo[height<=1080]+bestaudio/best" \
  --merge-output-format mkv \
  --output "%(title)s [%(id)s].%(ext)s" \
  "<YouTube URL>"

本地檔案的處理：把影片/音檔搬進 ${VIDEO_DIR}（如果已經在裡面就不用搬）：

mv "<原始路徑>" "${VIDEO_DIR}/"

說明：

下載影片（含影像+音訊），用戶後續還會使用影片檔
檔名格式：影片標題 [影片ID].mkv
下載完成後，用 ${VIDEO_DIR} 內的 mkv 檔案路徑繼續 Step 1
影片檔在 pipeline 結束後保留，不要刪除

Step 0.5 (optional): 從投影片抽取本集術語

只有用戶提供投影片文字檔時才執行。沒有則跳過。

從投影片文字中抽取以下類型的術語，產出一份 per-video 術語補充表：

Austin 獨創概念：如「曝險」「場外全壘打」「大象起舞」等非通用金融術語
本集會提到的人名/公司名：如 Howard Marks、NIKE、NFLX、LULU
英文專有名詞及其中文對照：如 Ivy Portfolio→常春藤投資組合、slugging percentage→長打率
本集特定的金融術語：如再平衡、周轉率、13F 持倉報告

抽取規則：

只抽 ASR 可能聽錯的詞（冷門術語、英文混搭、Austin 獨創用語）
不抽通用常見詞（「股票」「債券」「投資」等 ASR 不會錯的）
與 terms_austin_v2.txt 比對，已有的不重複列出
產出格式：一行一個術語，附簡短說明（供 LLM 校正時理解語境）

產出存為：<工作目錄>/<影片名>_slide_terms.txt

在 Step 2b 組裝 prompt 時，把這份補充表加在術語表後面，作為額外的「本集投影片術語」區塊。不要合併進通用術語表 terms_austin_v2.txt。

Step 1': VibeVoice 平行 ASR（與 Step 1 同時跑）

VibeVoice 做輔助 ASR，產出供 Step 2b 交叉參考。與 Step 1 用兩個平行 Bash 呼叫同時執行。

短音檔（≤ 55 分鐘）— 直接跑：

python3 /Users/fredchu/dev/vibevoice-poc/vibevoice_asr.py \
    "${VIDEO_DIR}/<影片或音檔名>" \
    --terms "${CORRECT_DIR}/terms_austin_v2.txt" \
    --terms-max 50 \
    --json \
    --output "${VIDEO_DIR}/<檔名>_vibevoice.srt"

長音檔（> 55 分鐘）— 切段跑再合併 JSON：

mlx_audio 套件硬限制 59 分鐘（MAX_DURATION_SECONDS = 59 * 60），超過會自動 trim 截斷。用 ffmpeg 在靜音點切段，每段 ≤ 50 分鐘（留安全餘量），各自跑 VV 再合併 JSON（時間戳偏移對齊）：

# 1. 偵測靜音點，在最接近 45 分鐘倍數的靜音處切段
ffmpeg -i "${VIDEO_DIR}/<影片或音檔名>" -af silencedetect=noise=-30dB:d=0.5 -f null - 2>&1 | grep silence_end

# 2. 每段各自跑 VV（可平行）
python3 /Users/fredchu/dev/vibevoice-poc/vibevoice_asr.py \
    "${VIDEO_DIR}/<檔名>_part1.wav" \
    --terms "${CORRECT_DIR}/terms_austin_v2.txt" --terms-max 50 \
    --json --output "${VIDEO_DIR}/<檔名>_vv_part1.srt"
# ... 同理 part2, part3, ...

# 3. 合併 JSON：偏移每段的 Start/End 時間戳
python3 -c "
import json, sys
offset = 0.0
merged = []
for i in range(1, int(sys.argv[1]) + 1):
    segs = json.load(open(f'${VIDEO_DIR}/<檔名>_vv_part{i}_vibevoice.json'))
    for s in segs:
        for key in ['Start', 'start', 'start_time']:
            if key in s: s[key] = float(s[key]) + offset
        for key in ['End', 'end', 'end_time']:
            if key in s: s[key] = float(s[key]) + offset
    merged.extend(segs)
    # offset = 該段結束時間（從 ffmpeg 切段記錄取得）
    if segs:
        offset = max(float(s.get('End', s.get('end', s.get('end_time', 0)))) for s in segs)
json.dump(merged, open('${VIDEO_DIR}/<檔名>_vibevoice.json', 'w'), ensure_ascii=False, indent=2)
print(f'Merged {len(merged)} segments')
" <段數>

產出：

<檔名>_vibevoice.srt — VV 的 SRT（備用）
<檔名>_vibevoice.json — VV 的 segments JSON（Step 2b 用），欄位格式：Start/End/Content/Speaker

注意：

如果 VV 執行失敗（模型未安裝等），pipeline 繼續跑，Step 2b 跳過 VV 參考
用 --breeze 時才啟用 Step 1'（Whisper 模式不用 VV，因為 VV 底層也是 Whisper 架構）
mlx_audio 套件硬限制 59 分鐘（MAX_DURATION_SECONDS = 59 * 60），超過會靜默 trim — 必須在 pipeline 端切段，不能依賴 VV 自己處理
vibevoice_asr.py 的 max_tokens 已改為 32768（原 8192 對 > 30 分鐘音檔不夠，會導致 0 segments）
generate() 其他可調參數：repetition_penalty（預設 1.2）、prefill_step_size（預設 2048，長音檔可提高以降低記憶體峰值）
不要同時跑兩個 VV instance — 會搶 Apple Silicon GPU 記憶體互相 thrash，必須序列執行

Step 1: ASR 語音辨識

cd /Users/fredchu/Documents/For_Claude/scripts/subtitle
./subtitle.sh "${VIDEO_DIR}/<影片或音檔名>" --breeze

如果用戶要求 Whisper：

./subtitle.sh "${VIDEO_DIR}/<影片或音檔名>"

產出：${VIDEO_DIR}/<檔名>.srt（Breeze）或 ${VIDEO_DIR}/<檔名>_zh-TW.srt（Whisper + OpenCC）

subtitle.sh 內部還會自動執行 Step 4.5（postprocess_srt.py）：用 sherpa-onnx 模型恢復標點 + terminology_rules.py 術語校正，就地覆寫同一個 .srt。所以拿到的 SRT 已經過標點恢復，不是純 ASR 原始輸出。

這一步耗時最長（約影片長度的 0.05-0.1x），跑完後告知用戶 ASR 完成並繼續。

Step 1.5: ASR 幻覺偵測 + 自動修復

ASR 完成後，自動掃描 SRT 找兩種異常：

重複型幻覺：同一字/詞在單條字幕中重複 ≥ 10 次（如 Whisper 把「漲漲漲」幻覺成 100 個「漲」）
時間軸空白：相鄰字幕間隔 > 10 秒（ASR 跳過整段語音）

偵測到就自動截取該段音檔、用 Breeze ASR 重跑、patch 回 SRT。

CORRECT_DIR=/Users/fredchu/Documents/For_Claude/scripts/subtitle/srt_correct
python3 "${CORRECT_DIR}/srt_hallucination_fix.py" "<ASR 產出的 SRT>" "${VIDEO_DIR}/<影片或音檔名>" --breeze

如果是 Whisper ASR，不加 --breeze。

腳本會自動處理，無需人工介入。如果二次 ASR 仍是幻覺，會印 WARNING 跳過。

Fallback：換 Whisper large-v3 重跑。檢查 srt_hallucination_fix.py 的輸出，如果有「多次重試仍失敗」的 WARNING，不要跳過 — 用 scripts/hallucination_fallback.sh 自動改用 Whisper large-v3 重跑。Breeze 對特定段落會反覆產生相同幻覺，換模型通常能解決。

對每個 WARNING 跳過的幻覺段：

從 SRT 定位幻覺條目的起止時間軸（前後各留 2 秒 buffer）
取幻覺前 2-3 條字幕文字作為 initial prompt
執行 fallback 腳本：

SKILL_DIR="$(dirname "$(readlink -f "$0")")"  # 或直接用 skill 路徑
"${SKILL_DIR}/scripts/hallucination_fallback.sh" \
  "<SRT檔路徑>" "<影片或音檔路徑>" "<起始時間>" "<結束時間>" "<initial prompt>"

腳本會自動完成：截取音檔 → Whisper large-v3 重跑 → 時間偏移 → patch 回 SRT → 清理暫存。如果 Whisper 結果仍為幻覺，會印 WARNING 跳過（該段可能真的是靜音/音樂）。

完成後如果已有字幕影片（_sub.mkv），刪掉舊的並用 ffmpeg 重新合併。

Step 2: LLM 校正（三階段）

重要：不要跑 srt_correct.sh！ 它內部用 claude -p，在 Claude Code 裡會被環境變數阻擋。改用以下三階段流程。

Step 2a: 預處理

CORRECT_DIR=/Users/fredchu/Documents/For_Claude/scripts/subtitle/srt_correct
python3 "${CORRECT_DIR}/srt_preprocess.py" "<ASR 產出的 SRT>" "<輸出路徑>_2a_preprocessed.srt" --stats --breeze

（如果是 Whisper ASR，不加 --breeze）

Step 2b: 分段 + Agent 校正

Context 節約原則：主 agent 不讀 SRT 內容到自己的 context。切分、prompt 組裝全部在 disk 上用腳本完成，subagent 自己讀檔案。

用 Python 腳本一次完成切分 + prompt 組裝：

在 Bash 中執行以下 Python 腳本（不要用 Read 工具讀 SRT 檔案）：

python3 -c "
import re, os, json

CORRECT_DIR = '${CORRECT_DIR}'
WORK_DIR = '<工作目錄>'
SRT_FILE = '<preprocessed SRT 路徑>'
SLIDE_TERMS = '<投影片術語路徑或空字串>'  # 沒有就留空
VV_JSON = '<VV JSON 路徑或空字串>'  # Step 1' 產出的 _vibevoice.json，沒有就留空

# 讀取 prompt 模板和術語表
prompt = open(f'{CORRECT_DIR}/srt_correct_prompt.txt').read()
terms = open(f'{CORRECT_DIR}/terms_austin_v2.txt').read()

# 組裝術語區塊
term_section = terms
if SLIDE_TERMS and os.path.exists(SLIDE_TERMS):
    slide = open(SLIDE_TERMS).read()
    term_section += '\n\n## 本集投影片術語\n' + slide

system_prompt = prompt.replace('{{TERMINOLOGY_SECTION}}', term_section)

# 如果有 VV JSON，在 system prompt 末尾加 VV 交叉參考 section
vv_segments = []
if VV_JSON and os.path.exists(VV_JSON):
    vv_segments = json.load(open(VV_JSON))
    system_prompt += '''

交叉參考：VibeVoice ASR

以下每段字幕會附帶另一個 ASR 引擎（VibeVoice，有 hotwords 注入）對同一段音檔的辨識結果。 VibeVoice 的英文專有名詞和部分中文財經術語辨識較準確，但語氣詞過多。

使用規則：

英文 ticker / 專有名詞（如 ETF 代碼）→ 以 VibeVoice 版本為準
中文財經術語 → 如果 VibeVoice 的詞彙更合理且語境正確，採用之
語氣詞（哦、呃、嗯）→ 忽略 VibeVoice 多出的部分
已知 VibeVoice 錯誤（不要採用）：
- 「值信」「指信」應為「質性」
- 「MOT」應為「MOAT」
- 「SHD」應為「SPHD」
- 「KVW」應為「KWEB」
- 「BOZ」應為「BOTZ」
- 「QILD」應為「QYLD」
- 「XILP」應為「XLP」
- 「SkyYY」應為「SKYY」
不確定時 → 保留 Breeze（主 ASR）的版本

VibeVoice 參考文字會寫在每段的 vv_ref.txt 檔案中。 ''' print(f'VV JSON loaded: {len(vv_segments)} segments')

寫出 system prompt

with open(f'{WORK_DIR}/_system_prompt.txt', 'w') as f: f.write(system_prompt)

切分 SRT

content = open(SRT_FILE).read() blocks = re.split(r'\n\n+', content.strip()) SEG_SIZE = 300 segments = [] for i in range(0, len(blocks), SEG_SIZE): segments.append(blocks[i:i+SEG_SIZE])

輔助函數：從 SRT block 提取時間戳（毫秒）

def parse_srt_time_ms(block): lines = block.strip().split('\n') if len(lines) >= 2 and '-->' in lines[1]: tc = lines[1].strip() parts = tc.split(' --> ') def to_ms(t): h, m, rest = t.split(':') s, ms = rest.split(',') return int(h)*3600000 + int(m)*60000 + int(s)*1000 + int(ms) return to_ms(parts[0]), to_ms(parts[1]) return None, None

輔助函數：提取 VV 參考文字

def extract_vv_reference(seg_start_ms, seg_end_ms): parts = [] for seg in vv_segments: vv_start = float(seg.get('Start', seg.get('start', seg.get('start_time', 0)))) * 1000 vv_end = float(seg.get('End', seg.get('end', seg.get('end_time', 0)))) * 1000 if vv_end > seg_start_ms and vv_start < seg_end_ms: text = seg.get('Content', seg.get('text', '')).strip() if text and text != '[Silence]': parts.append(text) return '\n'.join(parts)

寫出每段 + 上文參考 + VV 參考

for idx, seg in enumerate(segments): with open(f'{WORK_DIR}/seg{idx}.srt', 'w') as f: f.write('\n\n'.join(seg) + '\n') # 上文參考：前一段最後 5 條的純文字 if idx > 0: prev_blocks = segments[idx-1][-5:] ctx_lines = [] for b in prev_blocks: lines = b.strip().split('\n') text_lines = [l for l in lines[2:] if not re.match(r'\d+:\d+:\d+', l)] ctx_lines.extend(text_lines) with open(f'{WORK_DIR}/ctx{idx}.txt', 'w') as f: f.write('\n'.join(ctx_lines)) # VV 參考：從 VV segments 提取時間重疊的文字 if vv_segments: first_start, _ = parse_srt_time_ms(seg[0]) _, last_end = parse_srt_time_ms(seg[-1]) if first_start is not None and last_end is not None: vv_ref = extract_vv_reference(first_start, last_end) with open(f'{WORK_DIR}/vv_ref{idx}.txt', 'w') as f: f.write(vv_ref if vv_ref else 'NO_VV_REFERENCE') else: with open(f'{WORK_DIR}/vv_ref{idx}.txt', 'w') as f: f.write('NO_VV_REFERENCE')

print(f'Total blocks: {len(blocks)}') print(f'Number of segments: {len(segments)}') for i, s in enumerate(segments): print(f' Segment {i}: {len(s)} blocks') if vv_segments: print(f'VV reference files written for {len(segments)} segments') "


這個腳本產出：
- `_system_prompt.txt`：組裝好的完整 system prompt（含 VV 交叉參考規則，如有）
- `_seg_0.srt` ~ `_seg_N.srt`：每段 SRT
- `_ctx_1.txt` ~ `_ctx_N.txt`：每段的上文參考（第一段沒有）
- `_vv_ref_0.txt` ~ `_vv_ref_N.txt`：每段的 VV 參考文字（如有 VV JSON）

2. **平行發起所有 subagent**：用單一訊息同時發起所有 Agent tool 呼叫：

Agent tool 參數：

model: "sonnet"
mode: "bypassPermissions"
prompt: 見下方


每段 prompt 格式（subagent 自己讀檔案，主 agent 不 inline 內容）：

你是字幕校正 subagent。請完成以下步驟：

用 Read 工具讀取 system prompt：<工作目錄>/_system_prompt.txt
用 Read 工具讀取待校正字幕：<工作目錄>/seg.srt
[如果 N > 0] 用 Read 工具讀取上文參考：<工作目錄>/ctx.txt
[如果檔案存在] 用 Read 工具讀取 VibeVoice 參考：<工作目錄>/vv_ref.txt
- 如果內容是 NO_VV_REFERENCE 則跳過
- 否則交叉參考 VibeVoice 結果，特別注意英文名詞和財經術語
依照 system prompt 的規則校正字幕
用 Write 工具把校正結果寫入：<工作目錄>/seg_corrected.srt

重要：

上文參考僅供理解語境，不要輸出這些內容
VibeVoice 參考僅供交叉比對，不要直接複製其語氣詞
輸出必須是完整的 SRT 格式（含序號、時間軸、字幕文字）
完成後回報修改了多少條


**重要**：所有 Agent 呼叫必須在**同一個訊息**中發出，才能真正平行執行。

**驗證**：subagent 完成後，主 agent 檢查 `_seg_<N>_corrected.srt` 檔案是否存在且包含 SRT 時間軸格式。如果沒有，重試。

#### Step 2b 替代路徑：本地 LLM（--local 模式）

用戶指定 `--local` 時，用 `ollama_llm.py` 取代 Sonnet subagent。逐段序列執行（Ollama 單 GPU 不支援平行）。

```bash
OLLAMA_LLM="${CORRECT_DIR}/ollama_llm.py"

for seg_file in "${WORK_DIR}"/_seg_*.srt; do
 N=$(echo "$seg_file" | grep -oP '_seg_\K\d+')

 # 組裝 user input：上文參考 + VV 參考 + SRT 段落
 USER_INPUT=""
 if [ -f "${WORK_DIR}/_ctx_${N}.txt" ]; then
     USER_INPUT="【上文參考】\n$(cat "${WORK_DIR}/_ctx_${N}.txt")\n\n"
 fi
 if [ -f "${WORK_DIR}/_vv_ref_${N}.txt" ] && ! grep -q "NO_VV_REFERENCE" "${WORK_DIR}/_vv_ref_${N}.txt"; then
     USER_INPUT="${USER_INPUT}【VibeVoice 參考】\n$(cat "${WORK_DIR}/_vv_ref_${N}.txt")\n\n"
 fi
 USER_INPUT="${USER_INPUT}$(cat "$seg_file")"
 echo -e "$USER_INPUT" > "${WORK_DIR}/_user_${N}.txt"

 python3 "$OLLAMA_LLM" \
     --system "${WORK_DIR}/_system_prompt.txt" \
     --user "${WORK_DIR}/_user_${N}.txt" \
     --output "${WORK_DIR}/_seg_${N}_corrected.srt" \
     --max-tokens 8192

 echo "Segment $N corrected"
done

注意事項：

本地模式不做 SRT 拆句（26B 測試顯示不具備此能力），依賴 Step 2c 的 srt_postprocess.py 自動拆句
速度：每 300 blocks 約 30-60 秒（vs Sonnet 平行 ~10 秒），總時間較長但免費
如果 Ollama 回傳 error，印 WARNING 並 fallback 到 Sonnet subagent（該段）

合併：用 Python 腳本合併所有段的校正結果（不要讀入主 context）：

python3 -c "
import re, glob

WORK_DIR = '<工作目錄>'
files = sorted(glob.glob(f'{WORK_DIR}/_seg_*_corrected.srt'),
               key=lambda f: int(re.search(r'_seg_(\d+)', f).group(1)))

merged = []
seq = 1
for fpath in files:
    content = open(fpath).read().strip()
    # 解析 SRT blocks
    blocks = re.split(r'\n\n+', content)
    for block in blocks:
        lines = block.strip().split('\n')
        if len(lines) >= 2:
            lines[0] = str(seq)
            merged.append('\n'.join(lines))
            seq += 1

output = '<最終合併路徑>_2b_corrected.srt'
with open(output, 'w') as f:
    f.write('\n\n'.join(merged) + '\n')
print(f'Merged {seq-1} entries to {output}')
"

Step 2c: 複查 pass + 後處理

同樣遵守 Context 節約原則：提取未變動條目、組裝複查 prompt 全部用 Python 腳本在 disk 上完成。

用 Python 腳本提取未變動條目 + 組裝複查 prompt：

python3 -c "
import re, os, difflib

WORK_DIR = '<工作目錄>'
CORRECT_DIR = '${CORRECT_DIR}'
PREPROCESSED = '<preprocessed SRT 路徑>'
CORRECTED_RAW = '<_2b_corrected.srt 路徑>'

# 解析 SRT 為 {timecode: text} 字典
def parse_srt(path):
    blocks = re.split(r'\n\n+', open(path).read().strip())
    result = {}
    for b in blocks:
        lines = b.strip().split('\n')
        if len(lines) >= 2 and '-->' in lines[1]:
            tc = lines[1].strip()
            text = '\n'.join(lines[2:])
            result[tc] = text
    return result, blocks

pre_dict, _ = parse_srt(PREPROCESSED)
cor_dict, cor_blocks = parse_srt(CORRECTED_RAW)

# 找未變動條目
unchanged = []
for b in cor_blocks:
    lines = b.strip().split('\n')
    if len(lines) >= 2 and '-->' in lines[1]:
        tc = lines[1].strip()
        text = '\n'.join(lines[2:])
        if tc in pre_dict and pre_dict[tc] == text:
            unchanged.append(b)

# 找修正範例（前 10 個代表性修正）
examples = []
for tc, pre_text in pre_dict.items():
    if tc in cor_dict and pre_dict[tc] != cor_dict[tc]:
        examples.append(f'{pre_text} → {cor_dict[tc]}')
        if len(examples) >= 10:
            break

# 組裝複查 prompt
terms = open(f'{CORRECT_DIR}/terms_austin_v2.txt').read()
review_prompt = f'''你是字幕複查員。以下字幕已經過一輪 ASR 校正但未被修改。

請逐條檢查是否有殘留的 ASR 錯誤。

術語表

{terms}

第一輪已發現的錯誤範例（供校準判斷標準）

''' + '\n'.join(examples) + '''

重點檢查項目

同音字/近音字錯誤（如「機點」應為「基點」、「教育日」應為「交易日」）
術語表中的詞被 ASR 聽成別的詞
英文辨識錯誤（大小寫、拼寫）
重複字詞未清理

不要改的

專有名詞、人名、地名、作品名、時事用語 — 即使你不認識也不要改，講者可能在引用你不知道的時事、作品、流行語
語意通順、在上下文中說得通的條目

輸出格式

只輸出需要修改的條目，格式：原始時間軸校正後文字

如果該條目沒問題，不要輸出。 '''

with open(f'{WORK_DIR}/_review_prompt.txt', 'w') as f: f.write(review_prompt)

切分未變動條目為段落

SEG_SIZE = 300 for i in range(0, len(unchanged), SEG_SIZE): seg = unchanged[i:i+SEG_SIZE] with open(f'{WORK_DIR}/review_seg{i//SEG_SIZE}.srt', 'w') as f: f.write('\n\n'.join(seg) + '\n')

n_segs = (len(unchanged) + SEG_SIZE - 1) // SEG_SIZE print(f'Unchanged: {len(unchanged)} entries, split into {n_segs} review segments') print(f'Correction examples: {len(examples)}') "


2. **平行發起複查 subagent**：

每段 prompt 格式：

你是字幕複查 subagent。請完成以下步驟：

用 Read 工具讀取複查 prompt：<工作目錄>/_review_prompt.txt
用 Read 工具讀取待複查字幕：<工作目錄>/review_seg.srt
依照 prompt 規則逐條檢查
用 Write 工具把需要修改的條目寫入：<工作目錄>/review_seg_fixes.txt 格式：每個修正一個 block，時間軸 + 校正後文字，block 間空行分隔如果全部沒問題，寫入 "NO_FIXES"

完成後回報修改了多少條。


#### Step 2c 替代路徑：本地 LLM（--local 模式）

```bash
for review_file in "${WORK_DIR}"/_review_seg_*.srt; do
 N=$(echo "$review_file" | grep -oP '_review_seg_\K\d+')
 python3 "$OLLAMA_LLM" \
     --system "${WORK_DIR}/_review_prompt.txt" \
     --user "$review_file" \
     --output "${WORK_DIR}/_review_seg_${N}_fixes.txt" \
     --max-tokens 4096
done

合併複查結果 + 後處理：

# 用 Python 腳本把複查修正覆蓋回 corrected_raw，然後跑後處理
python3 -c "
import re, glob

WORK_DIR = '<工作目錄>'
CORRECTED_RAW = '<_2b_corrected.srt 路徑>'

# 收集所有複查修正
fixes = {}
for fpath in glob.glob(f'{WORK_DIR}/_review_seg_*_fixes.txt'):
    content = open(fpath).read().strip()
    if content == 'NO_FIXES':
        continue
    blocks = re.split(r'\n\n+', content)
    for b in blocks:
        lines = b.strip().split('\n')
        if len(lines) >= 2 and '-->' in lines[0]:
            tc = lines[0].strip()
            text = '\n'.join(lines[1:])
            fixes[tc] = text

# 套用修正到 corrected_raw
raw_blocks = re.split(r'\n\n+', open(CORRECTED_RAW).read().strip())
result = []
applied = 0
for b in raw_blocks:
    lines = b.strip().split('\n')
    if len(lines) >= 2 and '-->' in lines[1]:
        tc = lines[1].strip()
        if tc in fixes:
            lines = [lines[0], lines[1]] + fixes[tc].split('\n')
            applied += 1
    result.append('\n'.join(lines))

output = CORRECTED_RAW.replace('_2b_corrected.srt', '_2c_reviewed.srt')
with open(output, 'w') as f:
    f.write('\n\n'.join(result) + '\n')
print(f'Applied {applied} review fixes, saved to {output}')
" && \
python3 "${CORRECT_DIR}/srt_postprocess.py" "<_2c_reviewed.srt>" "<最終輸出路徑>_2c_final.srt" --stats --ref "<preprocessed SRT 路徑>"

Step 3: 術語自動學習（每次必跑）

每次 pipeline 完成後自動執行，不需要用戶觸發。

比對 _2a_preprocessed.srt 和 _2c_final.srt，用 difflib.SequenceMatcher 找出 replace 操作
過濾雜訊：跳過純標點變更、大小寫變更、他→它 人稱代詞、超長片段（>10 字）
統計：計算每組 (錯, 對) 出現次數
篩選：出現 >= 2 次、不在現有術語表中、不在 preprocess 規則中
分類建議：
- 確定性高的機械替換（英文縮寫、固定同音字）→ 建議加入 srt_preprocess.py 的 AUTO_REPLACE_COMMON 或 AUTO_REPLACE_BREEZE
- 需要語境判斷的術語 → 建議加入 terms_austin_v2.txt
向用戶展示候選清單（含出現次數和範例語境），請用戶確認後直接寫入對應檔案
如果沒有候選（全部已在術語表/preprocess 中），告知用戶「本次無新術語」即可

Step 4 (有影片檔時): 合併字幕進影片

只有輸入是影片檔（YouTube 下載的 mkv 或本地影片）時才執行。音檔輸入跳過此步。

ffmpeg -i "${VIDEO_DIR}/<影片檔名>" -i "${VIDEO_DIR}/<_2c_final.srt>" \
  -c copy -c:s srt \
  -metadata:s:s:0 language=chi -metadata:s:s:0 title="繁體中文" \
  "${VIDEO_DIR}/<影片檔名>_sub.mkv"

說明：

-c copy：影音串流直接複製，不重新編碼，幾秒內完成
-c:s srt：字幕軌使用 SRT 格式嵌入
產出檔名：原影片檔名加 _sub 後綴，如 影片標題 [ID]_sub.mkv
所有產出都在 ${VIDEO_DIR}/ 內
原始影片檔和 SRT 檔都保留，不刪除

Step 5: 清理暫存檔

pipeline 完成後，刪除 ${VIDEO_DIR} 內的中間產物，只保留成品：

rm -f "${VIDEO_DIR}"/_seg_*.srt "${VIDEO_DIR}"/_ctx_*.txt \
      "${VIDEO_DIR}"/_vv_ref_*.txt \
      "${VIDEO_DIR}"/_review_seg_*.srt "${VIDEO_DIR}"/_review_seg_*_fixes.txt \
      "${VIDEO_DIR}"/_system_prompt.txt "${VIDEO_DIR}"/_review_prompt.txt \
      "${VIDEO_DIR}"/*_vv_part*.wav "${VIDEO_DIR}"/*_vv_part*_vibevoice.json

清理完 ${VIDEO_DIR} 後，也要檢查 pipeline 過程中是否在其他位置留下暫存目錄（如 media/tmp_download/、WAV 暫存檔等），有的話一併刪除。

保留的成品（供除錯與階段比較）：

原始影片/音檔
ASR 原始 SRT（.srt）
VibeVoice SRT + JSON（_vibevoice.srt、_vibevoice.json，如有）
預處理後（_2a_preprocessed.srt）— 可比較 ASR→預處理的差異
LLM 校正後（_2b_corrected.srt）— 可比較預處理→LLM 校正的差異
複查後（_2c_reviewed.srt）— 可比較校正→複查的差異
最終成品（_2c_final.srt）— 經後處理（時間軸還原+強制拆句）的最終版
字幕影片（_sub.mkv，如有）
投影片術語（_slide_terms.txt，如有）

完成後回報

執行完畢後，回報：

產出檔案路徑（含字幕影片路徑，如有）
ASR 字幕段數 → 預處理後段數 → 校正後段數
術語學習結果：新增了哪些術語/preprocess 規則，或「無新術語」
總耗時

注意事項

subtitle.sh 是長時間命令，用 Bash 工具執行時設定 timeout 600000ms
絕對不要用 Bash 跑 srt_correct.sh — 它內部的 claude -p 在 Claude Code session 內會被 CLAUDECODE 環境變數阻擋，導致卡住或失敗。必須用 Agent tool + model: "sonnet" 替代
Agent subagent 自己讀取 system prompt 和段落檔案，主 agent 不要把 SRT 內容 inline 到 Agent prompt 裡（避免撐爆主 context）
術語表 terms_austin_v2.txt 是 Austin 專用。未來有其他講者，建立新的 terms_<講者>.txt

srt

More from this repository

More from this repository

SRT — 一鍵字幕 Pipeline

Pipeline 總覽

檔案路徑

執行步驟

解析用戶意圖

工作目錄設定（每部影片必做）

Step 0 (YouTube only): 下載影片

Step 0.5 (optional): 從投影片抽取本集術語

Step 1': VibeVoice 平行 ASR（與 Step 1 同時跑）

Step 1: ASR 語音辨識

Step 1.5: ASR 幻覺偵測 + 自動修復

Step 2: LLM 校正（三階段）

Step 2a: 預處理

Step 2b: 分段 + Agent 校正

交叉參考：VibeVoice ASR

寫出 system prompt

切分 SRT

輔助函數：從 SRT block 提取時間戳（毫秒）

輔助函數：提取 VV 參考文字

寫出每段 + 上文參考 + VV 參考

Step 2c: 複查 pass + 後處理

術語表

第一輪已發現的錯誤範例（供校準判斷標準）

重點檢查項目

不要改的

輸出格式

切分未變動條目為段落

Step 3: 術語自動學習（每次必跑）

Step 4 (有影片檔時): 合併字幕進影片

Step 5: 清理暫存檔

完成後回報

注意事項

SRT — 一鍵字幕 Pipeline

Pipeline 總覽

檔案路徑

執行步驟

解析用戶意圖

工作目錄設定（每部影片必做）

Step 0 (YouTube only): 下載影片

Step 0.5 (optional): 從投影片抽取本集術語

Step 1': VibeVoice 平行 ASR（與 Step 1 同時跑）

Step 1: ASR 語音辨識

Step 1.5: ASR 幻覺偵測 + 自動修復

Step 2: LLM 校正（三階段）

Step 2a: 預處理

Step 2b: 分段 + Agent 校正

交叉參考：VibeVoice ASR

寫出 system prompt

切分 SRT

輔助函數：從 SRT block 提取時間戳（毫秒）

輔助函數：提取 VV 參考文字

寫出每段 + 上文參考 + VV 參考

Step 2c: 複查 pass + 後處理

術語表

第一輪已發現的錯誤範例（供校準判斷標準）

重點檢查項目

不要改的

輸出格式

切分未變動條目為段落

Step 3: 術語自動學習（每次必跑）

Step 4 (有影片檔時): 合併字幕進影片

Step 5: 清理暫存檔

完成後回報

注意事項