podcast-transcribe

name	podcast-transcribe
description	播客音频转逐字稿。作者：Flyinheart。将播客网页 URL 转为完整逐字稿，包含下载、切分、Whisper 转写（Large-V3）、断点续传、合并、LLM 清洗全流程。触发场景：用户发送播客链接并要求转写、生成逐字稿、整理录音内容。处理平台：小宇宙、喜马拉雅等播客网站。

播客转逐字稿

将播客音频转为可读的逐字稿，包含完整工作流。

设计目的

这个音频转逐字稿的目的是：

1. 保存精彩内容：把播客中很精彩、很有思想内容、很有世界观方法论的内容固定下来。因为播客时间太长（1-2小时），精彩观点可能只集中在某几分钟或几十分钟
2. 延续讨论：节目中嘉宾没有讨论到或阐述不清楚的地方，可以把逐字稿喂给 AI，让用户可以继续讨论或深入探讨

工作流

1. 用户提供播客网页 URL + 对话人信息（选填）
2. 解析音频下载地址并下载
3. 音频切分（>1小时切40分钟/段）
4. Whisper Large-V3 逐段转写
5. 断点续传（检测已完成的 part）
6. 合并所有段落
7. 搜索嘉宾及节目信息（区分发言人）
8. LLM 清洗（结合搜索信息，标注发言人）
9. 输出到 podcasts/ 目录

用户输入示例：

用户：帮我转写这个播客 https://xxx.com/episode/xxx 对话人是李继刚和孟岩

Step 1: 下载音频

用户输入

用户需要提供：

1. 播客网页 URL（必填）
2. 对话人信息（选填，但建议提供）

对话人信息格式

用户：这是李继刚对话孟岩的播客

或者：

对话人：李继刚（也叫继刚）、孟岩（也叫老孟）

作用：Whisper 可能识别错人名，清洗时需要知道正确的人名来修正。

小宇宙

从 URL 提取 episode ID，构造下载链接：

https://www.xiaoyuzhoufm.com/episode/{episode_id}

页面包含音频直链，用 web_fetch 或 exec curl 下载。

其他平台

用 web_fetch 获取页面，找到 audio/m4a/mp3 链接，用 curl 下载。

保存位置

{workspace}/podcasts/{EP编号}_{标题}.m4a

Step 2: 音频切分

规则

• ≤1小时：不分段

• 1小时：切约40分钟/段（2400秒）

命令

ffmpeg -i input.m4a -ss 0 -to 2400 -c copy part1.m4a
ffmpeg -i input.m4a -ss 2400 -to 4800 -c copy part2.m4a
# ...

输出

分段保存到 {workspace}/podcasts/split/

Step 3: Whisper 转写

模型

• 必须用: large-v3（其他模型中文支持差）
• 参数: language="zh", fp16=False

命令

import whisper
model = whisper.load_model("large-v3", device="cpu")
result = whisper.transcribe(model, audio_file, language="zh", fp16=False)

Step 4: 断点续传

检测逻辑

1. 启动时检查每个 part 的输出文件
2. 如果文件存在且 >1KB，跳过
3. 从第一个未完成的 part 开始

实现

for i in range(1, total_parts + 1):
    output_file = f"part{i}.txt"
    if os.path.exists(output_file) and os.path.getsize(output_file) > 1024:
        print(f"Part {i} 已完成，跳过")
        continue
    # 处理这个 part

失败处理

如果某个 part 转写失败（进程被 kill）：

1. 提示用户"进程被系统终止"
2. 自动重启脚本，从出问题的 part 继续

Step 5: 合并

所有 part 依次合并为一个文件：

{EP}_{标题}_逐字稿.txt

Step 6: 搜索嘉宾及节目信息（用于区分发言人）

目的：Whisper 无法按音色区分发言人，需要通过搜索节目信息来辅助区分谁说了什么。

搜索来源

1. 小宇宙节目页：搜索播客节目主页，获取节目简介、嘉宾介绍
2. 小宇宙单集详情：获取单集 description、章节信息、时间轴
3. 搜索引擎：搜索节目名称 + 嘉宾名字，获取更多背景信息

搜索关键词模板

根据用户提供的对话人信息，构造搜索词：

搜索词："{节目名} {嘉宾1} {嘉宾2} 播客 简介"
搜索词："{节目名} 第{EP编号}期 嘉宾"
搜索词："{嘉宾1} {嘉宾2} 对话 播客"

信息获取方式

使用 web_fetch 或 web_search 获取以下信息：

信息类型	来源	用途
节目简介	小宇宙节目页	了解节目定位
嘉宾介绍	小宇宙/搜索引擎	确认嘉宾身份
章节/时间轴	小宇宙单集详情	对照时间戳
节目官网	搜索引擎	获取更全信息

保存信息

搜索到的信息保存为 {EP}_节目信息.txt，供清洗时使用。

Step 7: LLM 清洗（由 Agent 在对话中完成）

重要：清洗步骤由 Agent 在当前对话中调用自己的模型完成，不需要额外配置。

清洗流程

1. 转写和合并完成后，先执行 Step 6 搜索节目信息
2. 把以下信息一起发给模型：
   • 原始逐字稿
   • 搜索到的节目信息（嘉宾介绍、章节等）
3. 模型输出清洗后的内容（带发言人标注）
4. 保存为 {文件名}_清洗.txt

清洗 Prompt（结合搜索信息的增强版）

你是一个专业的文字编辑，擅长整理对话录音。

请整理以下逐字稿，遵循以下规则：

1. **删除语气助词**：嗯、啊、这个、那个、然后、其实、就是、基本上、大概等
2. **去除口水话**：重复的表述、口齿不清的碎片
3. **完善修正表达**：只保留最终正确的表达
4. **整理逻辑顺序**：重新排列使其符合逻辑
5. **保留核心**：人名、专业术语、关键观点、具体数据必须保留

## 关键：根据节目信息区分发言人

请结合以下搜索到的节目信息，与逐字稿内容进行比对，推断每句话是谁说的，标注在话术前面。

【重要】如果无法确定是谁说的，根据上下文逻辑推断，并用"【推测：XXX】"标注。

节目/嘉宾信息：
[粘贴 Step 6 搜索到的所有节目信息]

逐字稿内容：
[粘贴原始逐字稿]

输出格式示例：
【李继刚】：我们今天来聊聊...
【孟岩】：好啊，我也想听听...
【主持人】：欢迎各位来到...
【推测：嘉宾A】：根据上下文推断...

请直接输出整理后的内容，不要添加任何评论。

分段处理（逐字稿超过 10万字）

如果逐字稿超过 10万字，按以下流程处理：

第一步：分段总结（每 10000 字一段）

请阅读以下逐字稿片段，总结其中的核心观点和关键信息。

结合以下节目信息推断发言人：
[粘贴搜索到的节目信息]

要求：
- 用简洁的语言概括这段内容的要点
- 保留关键数据和核心观点
- 不要口水话
- 根据节目信息自行判断并标注发言人（格式：【名字】：内容）

逐字稿内容：
[粘贴这段的逐字稿]

第二步：合并总结并整体清洗

你是一个专业的文字编辑，擅长整理对话录音。

请整理以下多段总结，遵循以下规则：

1. **删除语气助词**：嗯、啊、这个、那个、然后、其实、就是、基本上、大概等
2. **去除口水话**：重复的表述、口齿不清的碎片
3. **完善修正表达**：只保留最终正确的表达
4. **整理逻辑顺序**：重新排列使其符合逻辑
5. **保留核心**：人名、专业术语、关键观点、具体数据必须保留

请直接输出整理后的内容，不要添加任何评论。

分段总结内容：
[粘贴所有分段总结]

失败处理

如果清洗失败，明确提示用户："LLM 清洗失败，可查看原始逐字稿"

处理长文本（超长逐字稿）

如果逐字稿超过 10万字，直接清洗会超出模型上下文限制。需要采用分段清洗策略：

1. 分段：每 10000 字一段
2. 分段总结：每段先单独总结要点
3. 合并总结：把所有段的总结合并
4. 整体清洗：再对合并后的总结进行清洗

这样可以处理任意长度的逐字稿，不会丢失内容。

输出格式

支持两种格式：

• TXT: {EP}_{标题}_逐字稿.txt
• Markdown: {EP}_{标题}_逐字稿.md

额外功能：按时间段提取核心内容

用户可以指定一个时间范围（如 10:30 - 15:00），从逐字稿中提取该时间段的内容，并让 AI 提炼核心观点。

设计目的

1. 保存精彩内容：播客时间太长（1-2小时），精彩观点可能只集中在某几分钟或几十分钟，逐字稿把这些内容固定下来
2. 延续讨论：节目中嘉宾没有讨论到或阐述不清楚的地方，可以把逐字稿喂给 AI，让用户可以继续讨论或深入探讨

使用方式

1. 逐字稿中有时间戳格式：[0.0s -> 2479.9s] 内容
2. 用户指定时间段后，Agent 筛选该时间范围内的内容
3. 调用模型提炼核心内容

提取 Prompt

请阅读以下时间范围内的逐字稿内容，然后提炼出核心观点和关键信息。

要求：
- 根据用户需求决定总结的详细程度
- 保留关键数据、核心观点、独特见解
- 不要口水话和重复表达

时间段：[用户指定的时间范围]

逐字稿内容：
[该时间段的文字]

示例

• 用户说："帮我提取 10:30 到 15:00 这段的核心内容" → 提炼该时间段的核心观点
• 用户说："我想深入讨论 20:00-25:00 这个观点" → 提取该时间段内容，方便继续交流

错误处理汇总

场景	处理
下载失败	让用户提供其他 URL
音频切分失败	提示用户检查文件
Whisper 被 kill	提示"进程被系统终止"，自动断点续传
合并失败	提示用户检查各 part 文件
清洗失败	明确提示用户，可查看原始稿

依赖

• ffmpeg：音频切分（brew install ffmpeg）
• openai-whisper：本地转写模型

  pip install openai-whisper
  # 首次运行自动下载 large-v3 模型（约3GB）
  

• 注意：Whisper 在 CPU 上运行，>1小时音频必须切分否则会被系统 kill