我把「3小时播客变成可搜索文本」做成了 Claude Code 的一条命令

文章目录

• • 前言
  • 它做了什么？
  • 怎么用？
  • 花了一整天才跑通的环境
  • • 第一关：ffmpeg
    • [第二关：HuggingFace Token](#第二关：HuggingFace Token)
    • [第三关：Python 与 numpy 地狱](#第三关：Python 与 numpy 地狱)
    • [第四关：Anaconda 的 PATH 陷阱](#第四关：Anaconda 的 PATH 陷阱)
  • 几个好用的参数
  • 它适合干什么？
  • 几个注意事项

前言

你有没有过这种时刻------

关注了一年的技术播客终于更新了，点开一看 2 小时 47 分钟。你很想听，但实在抽不出整块时间。想搜里面的某个观点？对不起，没有字幕。想让 AI 帮你总结？对不起，没有文本。

于是我做了一个叫 shut-up-and-scribe 的 Claude Code Skill（欢迎star）

项目地址：shut-up-and-scribe

把这件事压缩成一句话：

/shut-up-and-scribe https://youtu.be/ZDXIUO7CRzo

一个命令，YouTube / B站 / 本地音视频全文转录，带说话人分离，输出可以直接读的对话文本。

它做了什么？

完整流水线，一键跑完：

1. 下载音频 --- YouTube / B站视频自动抓取，本地文件直接处理
2. WhisperX 转录 --- large-v3 模型，识别语言 + 转文字
3. 说话人分离 --- 自动区分「这是谁在说话」，打上【说话人1】【说话人2】标签
4. 合并整理 --- 同人说的话合并成段落，输出干净的 .txt

输出长这样：

==================== 语音转录文本 --- 共2位说话人 ===================
来源：https://youtu.be/abc
处理时间：2026-05-04

【说话人1】今天我们聊一聊 AI 的未来。
【说话人2】对，这个话题很有意思。
【说话人1】那我们先从大模型开始说起吧。

指定名字更直观：

/shut-up-and-scribe https://youtu.be/xxx --names "张总,李工"

【张总】Today let's talk about the future of AI.
【李工】Yes, I think this topic is really interesting.

怎么用？

如果你用的是 Claude Code，直接把 skill 文件放进 .claude/skills/，然后：

/shut-up-and-scribe https://www.bilibili.com/video/BVxxxx

剩下的，交给 AI。 ☕

---

遇到问题先查 README，里面每一个坑都是我亲手踩出来的。

花了一整天才跑通的环境

说「一键」是骗你的。真实情况是：光把环境跑通我就花了一整天。

下面是我真实踩过的坑，一字不差地记录在这里，让你不用再踩一遍。

第一关：ffmpeg

Windows 用户别去官网瞎下载。我从 GyanD/codexffmpeg releases 下了 版本 7 的 shared ，解压后把 bin/ 加进 PATH。

目前还有 torchcodec 的 warning 没解决，不过不影响运行，先放着。

第二关：HuggingFace Token

说话人分离依赖 pyannote 系列模型，你需要：

1. 去 huggingface.co 注册，进 Settings → Access Tokens 建一个 write 权限的 token

2. 手动点三个「Accept Conditions」 ------这是最容易被忽略的一步，不点程序直接下载模型失败：

   • pyannote/speaker-diarization-3.1
   • pyannote/speaker-diarization-community-1
   • pyannote/segmentation-3.0

3. 设置环境变量 HF_TOKEN。Windows PowerShell 推荐：

   [System.Environment]::SetEnvironmentVariable('HF_TOKEN', 'hf_你的token', 'User')

   💡 设完要重启终端、IDE 或 VS Code 才生效

第三关：Python 与 numpy 地狱

我用的 Anaconda3-2025.12-2-Windows-x86_64，装完手动把这三行塞进系统环境变量：

D:\<anaconda dir>
D:\<anaconda dir>\Scripts
D:\<anaconda dir>\Library\bin

然后才是真正的深渊------依赖版本。

# torch 版本必须精确匹配，注意最好用GPU版本
pip install torch==2.6.0 torchvision==0.21.0 torchaudio==2.6.0  # cuda 版本看你机器

# 然后装业务包
pip install yt-dlp whisperx

重点来了。 如果你用 Anaconda，装完会发现 import transformers 直接崩溃。原因是 numpy 版本冲突------需要这样救：

pip uninstall numpy
pip install "numpy<2.4"

测试一下 transformers 能不能活下来：

$env:PYTHONFAULTHANDLER = "1"
python -c "import faulthandler; faulthandler.enable(); import transformers"

还有一坑：Library/bin/libiomp5md.dll 会和 torch 的 OpenMP 冲突，直接删掉这个 dll。

一句话总结：依赖版本请和我保持一致，不然需要花较多时间处理问题。这是血泪教训。

第四关：Anaconda 的 PATH 陷阱

很多人（包括我）以为装了 Anaconda 就万事大吉，结果跑起来发现各种找不到模块。原因很简单------Anaconda 没加入 PATH。

除了主目录，还要把 Scripts 和 Library\bin 都加进去，三个路径缺一不可。

几个好用的参数

参数	作用	示例
--names "A,B"	自定义说话人名称	--names "主持人,嘉宾"
--language zh	指定语言（会弹出选择）	--language zh
--punctuate	transformers 恢复标点	xxx --punctuate
--proofread	LLM 校对标点错别字	xxx --proofread
--cleanup	跑完删临时文件	xxx --cleanup

它适合干什么？

• 长播客整理 --- 2 小时节目，10 分钟出稿，搜索关键词秒定位
• 访谈记录 --- 给说话人起名字，直接当文字稿用
• B站视频归档 --- 收藏的视频终于可以 Ctrl+F 了
• 个人学习 --- 听课录音、会议录音，转文字后喂给 AI 总结

几个注意事项

• 首次运行会下载 ~3GB 模型，耐心等一下
• 说话人识别不是 100% 准确，可以用 --names 手动校准
• HF Token 是敏感信息，别提交到公开仓库
• 仅用于个人学习/研究，请遵守版权规定