| name | srt |
| description | 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）。
|
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）：
ffmpeg -i "${VIDEO_DIR}/<影片或音檔名>" -af silencedetect=noise=-30dB:d=0.5 -f null - 2>&1 | grep silence_end
python3 /Users/fredchu/dev/vibevoice-poc/vibevoice_asr.py \
"${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"
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 "$0")")"
"${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：
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
