YouTube 影片轉文字：幾分鐘掌握長影片
YouTube 影片轉文字：貼上影片，直接取得文字
貼上任何 YouTube 影片連結，包括一般影片、Shorts、直播回放、Podcast、課程或完整系列，即可取得使用原始口語語言產生的逐字稿、使用你的語言產生的摘要，以及可下載檔案。不需要開啟設定選單、不需要犧牲原文準確度，也不必從 YouTube 逐字稿面板依照時間戳記逐段複製。
這項 Skill 可將 YouTube 影片中的語音轉換為可搜尋、可引用、可翻譯的文字。它支援任何語言的公開 YouTube 影片，可輸出純文字、附時間戳記的 Markdown 或 SRT 字幕，並依照你的請求方式自動選擇格式，而不是要求你進入設定頁面配置。
適用對象
- 研究人員與分析師：將一小時以上的訪談、Podcast 與研討會演講轉換成可搜尋文字，用 5 分鐘讀完原本需要觀看 90 分鐘的內容
- 學生與終身學習者：將課程、教學與教育系列整理成筆記、複習材料與學習指南，逐字稿可以直接作為教材
- 記者與事實查核人員：引用 YouTube 影片、公開聲明、錄製訪談與政治演說，逐字稿不會被改寫
- 內容創作者：將自己的長影片重新製作成 Shorts、Reels、TikTok、部落格文章、電子報或 Podcast
- Podcast 創作者：將發布於 YouTube 的節目轉換成可搜尋的節目筆記、文章與 SEO 內容
- 行銷人員與競品研究人員：分析競爭對手頻道、品牌影片、銷售網路研討會與產品示範
- 工程師、開發人員與技術學習者：將技術大會、教學示範與程式碼審查影片轉換成可搜尋文字
- 語言學習者：使用母語人士的 YouTube 內容學習，同時取得逐字稿與翻譯後的摘要
- 翻譯人員與在地化團隊：為字幕翻譯、配音腳本與國際版本準備準確的來源文字
- 無障礙團隊與教育工作者：當 YouTube 自動字幕不夠準確時，產生 SRT 字幕檔案
- 牧師、教練與教師：將佈道、演講與線上課程整理成封存內容、教材與後續文章
- 知識工作者與管理者：以快速瀏覽與搜尋的方式掌握產業演講、主題演說與財報電話會議
解決的問題
YouTube 擁有全球規模最大的口語知識庫，包括訪談、Podcast、課程、研討會、新聞、佈道、培訓影片與專家解析。平台雖然提供自動字幕與逐字稿面板，但要將內容轉換成真正可用的文字，仍然比想像中麻煩：
- 逐字稿面板不會分頁、整理段落，也無法乾淨匯出：複製後往往得到整面附時間戳記的碎片文字
- 自動字幕對口音、專業術語、專有名詞與多人同時說話的處理不穩定
- 沒有內建摘要功能：即使面對 90 分鐘影片，也需要自行完整觀看
- 沒有適合重新上傳或翻譯的 SRT 匯出功能
- 無法跨多支影片統一搜尋：每支影片的逐字稿都被隔離在獨立面板中
第三方工具也常出現以下三類問題：
- 不該翻譯時卻翻譯了逐字稿。 你希望逐字引用一位說西班牙文的來賓，但工具回傳了英文意譯。
- 摘要仍然使用來源語言。 你看不懂德文，但摘要也以德文回傳。
- 將所有功能藏在設定選單後面。 你只想貼上連結並輸入一句話，卻被要求設定 API Key、輸出路徑與各種選項。
共同問題在於，這些工具是為建立工作流程的工程師最佳化，而不是為希望在 30 秒內完成任務的研究人員、記者、學生或創作者設計。
這項 Skill 只需要一個連結與一句話，就會回傳正確的結果。
有什麼不同
1. 預設提供雙語言輸出。
逐字稿始終使用原始音訊語言逐字保留，引用內容一字不改，與說話者的實際發言完全一致。摘要與重點則會使用你的聊天語言。英文使用者轉錄西班牙文訪談時，會取得西班牙文逐字稿與英文摘要；中文使用者轉錄日文課程時，會取得日文逐字稿與中文摘要。不需要切換選項，也不需要記住語言參數。雙語言輸出是預設行為，因為實際需求通常就是：以一種語言保留準確引用，再以另一種語言快速理解內容。
2. 透過你的句子決定輸出格式，而不是透過選單。
輸入*「給我字幕」* → 取得可直接用於 Premiere、DaVinci Resolve、CapCut 或 YouTube Studio 的 SRT 檔案。輸入*「附時間戳記，方便我找到談價格的部分」* → 取得每個段落以 [MM:SS] 開頭的 Markdown，可精確引用至秒。未指定格式 → 取得清晰的純文字，方便閱讀、摘要，並貼至 Notion、Google Docs 或 Obsidian。關鍵字可出現在句子的任何位置，並支援英文、西班牙文、中文、日文與韓文。「字幕」、*「タイムスタンプ」與「자막」*都會觸發與對應英文關鍵字相同的格式。
3. 長影片也能快速處理，包括三小時 Podcast。
長篇 Podcast、兩小時研討會、完整大學課程、多小時 AMA 與財報電話會議，是轉錄最有價值、也最容易讓傳統工具變慢的內容。多數 AI 轉錄工具會先將完整逐字稿傳送給摘要模型，然後才回傳結果，這會讓長影片額外等待 60–120 秒，多小時內容甚至多等幾分鐘。這項 Skill 會產生一個輔助摘要文字，只保留每個段落的第一句與最後一句，並根據該內容產生摘要。輸入 Token 減少約一半，同時保持相近的摘要品質。使用者體驗會從*「等待五分鐘後收到整面文字牆」變成「不到兩分鐘即可取得清晰摘要與已儲存檔案」*。完整逐字稿仍會儲存。
支援的 YouTube 內容
| 內容類型 | 是否支援 | 說明 |
|---|---|---|
| 一般影片 | ✓ | 最常見的情境。依影片長度，多數可在 30–90 秒內完成轉錄。 |
| YouTube Shorts | ✓ | 60 秒內的短影片，處理方式與 TikTok 和 Reels 相同。 |
| 直播回放 | ✓ | 直播結束後儲存至頻道中的錄影，最長可達數小時。 |
| Podcast 與完整節目 | ✓ | 最常見的長影片使用情境。 |
| 已結束的 YouTube Premiere | ✓ | Premiere 結束後會按一般影片處理。 |
| 課程與完整系列 | ✓ | 大學講座、線上課程與培訓系列。 |
| 會員專屬影片 | ✗ | 需要頻道會員資格；連結必須能在不登入的情況下存取。 |
| 正在進行的直播 | ✗ | 僅支援已結束的錄影。 |
| 年齡限制影片 | ✗ | 如果需要年齡驗證，連結不會回傳內容。 |
| 地區限制影片 | ✗ | 如果影片在處理地區無法觀看，轉錄會失敗。 |
| 已刪除或私人影片 | ✗ | 影片可能已被刪除、設為私人或設為不公開。 |
範例
範例 1：從兩小時 Podcast 中進行研究
一名研究人員正在準備報告，需要擷取一場兩小時產業專家 Podcast 中的關鍵觀點。
「來賓對供應鏈中斷說了什麼？ https://youtu.be/abc123def」
回傳內容：
- 首先提供供應鏈相關部分，包含來賓的逐字引用與準確歸因所需的上下文
- 提供 2–4 句節目摘要
- 提供 3–6 點重點
- 將完整逐字稿儲存為可下載檔案，可逐行引用
範例 2：將長篇 YouTube 影片轉換為部落格文章
一位創作者發布了一支 45 分鐘深度解析影片，希望將其轉換成部落格文章、電子報與多支社群片段。
「轉錄這支影片，並加入時間戳記 https://youtu.be/myvideo123」
回傳內容：
- 提供 2–4 句摘要，概括影片的論述結構
- 提供 3–6 點重點，可用作部落格大綱或電子報要點
- 輸出完整的附時間戳記 Markdown，每個段落都附有
[MM:SS]
範例 3：為重新上傳的研討會影片製作字幕
一個工程團隊希望將去年的研討會演講上傳至內部學習平台，並加入符合無障礙要求的 SRT 字幕。
「為這支影片產生 SRT 字幕 https://www.youtube.com/watch?v=xyz789」
回傳內容：
- 一個符合標準 SubRip 格式、包含正確時間碼的
.srt檔案 - 一段簡短摘要與重點，可用作影片說明與學習平台中繼資料
輸出格式
| 格式 | 觸發方式 | 適用情境 |
|---|---|---|
純文字（.txt） |
預設，不需要格式關鍵字 | 閱讀、摘要、引用，或貼至 Notion、Google Docs、Obsidian、文章與電子報 |
附時間戳記的 Markdown（.md） |
「時間戳記」、「時間碼」、「附時間」、「时间戳」、「タイムスタンプ」 | 尋找準確位置、選擇影片片段、整理學習筆記或建立可引用的學術參考 |
SRT 字幕（.srt） |
「字幕」、「captions」、「SRT」、「字幕」、「サブタイトル」、「자막」 | 加入字幕重新發布、符合無障礙要求、準備翻譯來源檔案或配音腳本 |
語言支援
轉錄引擎支援英文、西班牙文、葡萄牙文、法文、德文、義大利文、荷蘭文、普通話、粵語、日文、韓文、越南文、泰文、印尼文、他加祿文、阿拉伯文、印地文、烏爾都文、俄文、土耳其文、波蘭文、捷克文、匈牙利文，以及大多數主要歐洲、亞洲、中東與拉丁美洲語言。對於混合語言影片，系統會以主要語言作為基礎，但逐字稿仍會依照實際發言保留所有語言。
不需要手動指定語言。系統會依據 URL 訊號與頻道帳號名稱進行自動判斷。如果第一次嘗試結果為空，Skill 會使用你的聊天語言重試一次。兩次結果都為空時，系統會要求你確認。通常，這代表影片為私人內容、存在年齡或地區限制、僅限會員觀看，或已被刪除。
如果你已經知道音訊語言，可以在提示詞中註明，例如*「這個西班牙文 Podcast」或「音訊是日文」*。
準確度與預期
逐字稿是逐字記錄，由語音辨識流程產生，不會被改寫或意譯。語助詞、重複、停頓與多人同時說話的內容都會依照實際發言保留。這對新聞報導、研究、法律情境或事實查核非常重要，因為準確措辭本身就是證據。
當音訊清晰、只有一名說話者且語言受支援時，準確度較高。多數 Podcast、課程與製作良好的 YouTube 影片都能以少量錯誤完成轉錄。多人對話、聲音重疊、非常專業的術語、不常見的專有名詞、明顯的地區口音、舊訪談中的低品質遠端音訊，以及嚴重壓縮的聲音，都可能降低準確度。對於新聞、學術研究或法律工作等高風險引用，請將關鍵引文與原始影片進行核對。
Skill 僅處理公開的影片連結，不會登入 YouTube，也不會存取私人、會員專屬或不公開內容。
不支援的內容
- 本機影片檔案：從 YouTube 下載的
.mp4、螢幕錄影檔案，或儲存在電腦中的影片，應改用相關的audio-to-textSkill - 正在進行的直播：僅支援已結束的錄影
- 會員專屬與年齡限制影片：連結必須能在不登入或不驗證年齡的情況下公開存取
- 私人與不公開影片：Skill 無法代表你登入 YouTube
- 沒有口播內容的音樂影片：純音樂、沒有旁白的演出與無語音內容沒有實際可轉錄內容
- 直接翻譯逐字稿正文：為保留逐字引用，逐字稿正文會刻意保持來源語言；如需翻譯，請在收到原始逐字稿後繼續提出翻譯要求
