YouTube Learning — 视频逐字稿提取 & 双语整理
从 YouTube 视频提取字幕，清洗格式，生成结构化的英文逐字稿和中英对照文档，并记录查询时的 YouTube 播放量。
完整工作流（6 步）
Step 1: 提取字幕
python3 {baseDir}/scripts/get_transcript.py "https://www.youtube.com/watch?v=VIDEO_ID"
脚本已内置 --cookies-from-browser chrome、--js-runtimes node、--remote-components ejs:github，无需额外配置。
字幕语言选择：
- 英文原文：--sub-lang "en-orig"（推荐，更准确）
- 英文自动生成：--sub-lang "en"
- 中文简体：--sub-lang "zh-Hans"
- 先用 yt-dlp --list-subs <URL> 查看可用字幕
默认输出为 en-orig（英文原始字幕），保存到当前工作目录。
Step 2: 清洗格式
python3 {baseDir}/scripts/format_transcript.py <input.vtt_or_txt> -o <output.txt>
自动完成：移除 VTT 时间戳和元数据 → 合并断行 → 去重 → 移除填充词 → 解码 HTML 实体。
Step 3: 获取视频元信息与当前播放量
运行元信息脚本：
python3 {baseDir}/scripts/get_video_metadata.py \
"https://www.youtube.com/watch?v=VIDEO_ID" \
--output <metadata.json>
必须读取并使用以下字段：
- 标题、发布者、发布日期、视频时长和原视频链接；
- 描述中的演讲人、社交链接、活动信息、话题标签和章节时间戳；
view_count和view_count_formatted；view_count_checked_at和view_count_timezone。
播放量是查询时快照，必须与查询时间和时区一起写入产出。使用千位分隔符，例如：12,345 次（查询于 2026-07-13 14:00:00，Asia/Shanghai）。更新旧文档时重新查询，不要沿用旧数字。如果 YouTube 未返回 view_count，写明“无法取得（查询于……）”，不要估算或编造。
需要补充页面信息时，再使用 WebFetch 获取视频页面：
使用 WebFetch 获取视频页面的标题、描述、演讲人信息：
WebFetch: https://www.youtube.com/watch?v=VIDEO_ID
prompt: "提取视频标题、发布者、发布日期、描述信息"
从描述中补充：演讲人姓名、社交链接、话题标签、章节时间戳。不要用页面上的模糊展示值覆盖脚本返回的精确播放量。
Step 4: 生成双语对照文档
按以下模板生成 markdown 文件：
# [视频标题中文翻译] ([原标题])
---
## 演讲信息
| 项目 | 内容 |
|------|------|
| **标题** | ... |
| **演讲人** | 姓名，所属机构，角色 |
| **场合** | 大会/活动名称 |
| **时间** | YYYY年MM月 |
| **链接** | ... |
| **当前播放量** | 12,345 次（查询于 YYYY-MM-DD HH:MM:SS，Asia/Shanghai） |
## 概要
[3-5 句话概括视频核心内容]
## 章节导航
- [章节一：XXX](#ch1)
- [章节二：XXX](#ch2)
- ...
## 核心要点总结
| 核心要点 | 内容 |
|------|------|
| **1** | ... |
| **2** | ... |
| **3** | ... |
---
## 章节一：XXX
---
> [English paragraph]
[中文翻译段落]
---
> [English paragraph]
[中文翻译段落]
---
...
格式规则：
- 每个自然段英文 + 中文翻译为一组
- 英文用 > 引用块包裹
- 中英文之间用 --- 分隔
- 章节之间用二级标题 + 锚点链接导航
- 核心要点总结表必须紧跟在章节导航之后，放在中英正文之前，不得移到文末
- “演讲信息”必须包含当前播放量及查询时间；英文逐字稿的元信息头也要写入同一播放量快照
Step 5: AI 翻译
这一步由 AI 完成：读取清洗后的英文文本，逐段翻译为中文，保持术语一致性。
翻译要点：
- 保持演讲者的语气和风格（口语化、自然的表达）
- 技术名词首次出现时保留英文原文，eg. "能力悬垂 (capability overhang)"
- 段落转换保持自然，不逐字硬译
Step 6: 规范命名
文件命名格式：
<SpeakerName>_<Topic_Keywords>_<YYYY-MM>_<Language>.md
示例：
- Thariq_Shihipar_Fable_Field_Guide_2026-07_双语对照.md
- Thariq_Shihipar_Fable_Field_Guide_2026-07_EN.txt
规则：下划线分隔、无空格、时间精确到月、语言标注清晰。
依赖
yt-dlp— 字幕下载node— JS 运行时（yt-dlp 需要）- Chrome 浏览器 — cookies 认证（yt-dlp 需要）
- Python 3 — 运行脚本
快速命令参考
# 1. 获取元信息和当前播放量
python3 {baseDir}/scripts/get_video_metadata.py "URL" --output metadata.json
# 2. 列出可用字幕
yt-dlp --cookies-from-browser chrome --js-runtimes node --remote-components ejs:github --list-subs "URL"
# 3. 下载英文字幕
python3 {baseDir}/scripts/get_transcript.py "URL" > raw.txt
# 4. 清洗格式
python3 {baseDir}/scripts/format_transcript.py raw.txt -o clean.txt
# 5. 然后由 AI 完成翻译、排版、命名，并写入播放量快照
注意事项
- 视频必须有字幕（CC 或自动生成），否则无法提取
--cookies-from-browser chrome需要本机已登录 YouTube 的 Chrome 浏览器- 如无 Chrome，可改用其他浏览器（firefox/safari/edge）或手动导出 cookies 文件
- 如果视频没有
en-orig字幕，fallback 到en或zh-Hans - 播放量随时间变化；任何包含播放量的文档都必须同时保留查询时间和时区
