用途:从 YouTube 视频提取带时间戳的字幕,输出 VTT(Web Video Text Tracks)格式,供智能体作为上下文使用。
主要能力:按顺序尝试三种来源——人工上传字幕(最快最准)、YouTube 自动生成字幕、本地 Whisper 音频转录;任一步成功即退出。
依赖:yt-dlp 为必需(brew install yt-dlp);openai-whisper 仅在视频无字幕时必需(pip install openai-whisper),首次运行会下载 small 模型(约 500MB)。
用法:bash scripts/get-captions.sh <youtube-url> [language]。youtube-url 为任意有效 YouTube 视频链接;language 为字幕语言代码,默认 en。输出到 stdout,状态信息到 stderr。示例:bash scripts/get-captions.sh "https://www.youtube.com/watch?v=dQw4w9WgXcQ" es。
输出格式:VTT,含时间戳,如 WEBVTT 后跟 00:00:01.000 --> 00:00:04.000 与对应文本行。
限制:转录明显慢于字幕下载;无字幕的长视频转录耗时较长,Whisper 在 CPU 上约 1x 实时速度;若 yt-dlp 字幕与 Whisper 均不可用,脚本报错并给出说明。临时文件(音频、中间字幕)会自动清理。其他平台、收费与价格信息暂未提供。