YouTube 视频总结器
下载 YouTube 视频字幕，生成包含核心观点、金句摘录和亮点分析的结构化总结。
环境准备
安装依赖（已安装可跳过）：
pip3 install youtube-transcript-api -q
# yt-dlp 用于获取视频元数据（标题、频道、时长）
# 未安装可执行: brew install yt-dlp 或 pip3 install yt-dlp
工作流程
第一步：获取字幕
SKILL_DIR 为本 SKILL.md 所在目录。
# JSON 格式输出（含元数据）
python3 SKILL_DIR/scripts/fetch_transcript.py "https://youtube.com/watch?v=VIDEO_ID"
# 纯文本 + 时间戳（推荐用于总结）
python3 SKILL_DIR/scripts/fetch_transcript.py "URL" --text-only --timestamps
# 指定语言（含回退链）
python3 SKILL_DIR/scripts/fetch_transcript.py "URL" --language en,zh --text-only --timestamps
脚本支持所有标准 YouTube URL 格式：watch?v=、youtu.be/、shorts/、embed/、live/，或直接传入 11 位视频 ID。
第二步：获取视频元数据
获取标题、频道、时长和发布日期：
yt-dlp --skip-download --print "%(title)s|%(channel)s|%(duration_string)s|%(upload_date)s" "URL"
第三步：读取完整字幕
长视频（>30 分钟）的字幕输出可能较大，建议分段读取：
# 前半部分
python3 SKILL_DIR/scripts/fetch_transcript.py "URL" --text-only --timestamps | head -500
# 后半部分
python3 SKILL_DIR/scripts/fetch_transcript.py "URL" --text-only --timestamps | tail -400
第四步：生成总结
分析字幕内容，生成结构化总结。所有内容（包括章节标题、表头、元数据字段）都必须使用指定语言。 只有模板结构（表格、引用块、加粗）保持固定。
模板结构（将每个标签翻译为输出语言）：
## [本地化: "视频总结" / "Video Summary"]
**[本地化标签]:** (标题)
**[本地化标签]:** (频道)
**[本地化标签]:** (嘉宾，如可识别)
**[本地化标签]:** (时长) | **[本地化标签]:** (日期)
---
### [本地化: 一句话概括]
(1-2 句概述)
---
### [本地化: "核心观点" / "Key Viewpoints"]
| [本地化: 话题] | [本地化: 观点] |
|-------|-----------|
| ... | ... |
---
### [本地化: "金句" / "Notable Quotes"]
> "原文引用" — 发言者
---
### [本地化: "其他亮点" / "Other Highlights"]
- ...
---
### [本地化: "注意/偏见" / "Notes / Bias"]
- ...
输出语言规则
输出语言按以下优先级确定：
- 用户明确指定（如"用中文总结"、"summarize in Japanese"、"用英语总结"）→ 使用该语言
- 用户未指定 → 默认中文，所有内容都用中文
- 金句引用 → 始终保留原文语言（不翻译引用）
- 章节标题、表头、元数据字段 → 翻译为输出语言（默认中文）
- 仅结构格式（表格、引用块、加粗）跨语言固定 — 不使用 emoji
错误处理
| 错误 | 解决方案 |
|---|---|
youtube-transcript-api not installed |
执行 pip3 install youtube-transcript-api |
Transcripts are disabled |
告知用户该视频已禁用字幕 |
No transcript found |
去掉 --language 参数重试，并告知实际语言 |
| 输出为空 | 视频可能没有自动生成的字幕，告知用户 |
yt-dlp: command not found |
执行 pip3 install yt-dlp 或 brew install yt-dlp |
使用技巧
- 发言者识别： 访谈/播客类视频，从开场白识别发言者，并在观点中标注
- 广告段落： 跳过口播广告（科技视频常见）— 在注意/偏见部分标注
- 长视频（>1小时）： 分段处理；1.5 小时视频通常输出 500-800 行字幕
- 非中文视频： 字幕为视频原始语言；按上述语言规则用输出语言（默认中文）总结
