YouTube 视频转文字：几分钟看完长视频
YouTube 视频转文字：粘贴视频，直接获取文本
粘贴任意 YouTube 视频链接，包括普通视频、Shorts、直播回放、播客、课程或完整系列，即可获得使用原始口语语言生成的逐字转录、使用你的语言生成的摘要，以及可下载文件。无需打开设置菜单，无需牺牲原文准确性，也无需从 YouTube 转录面板中按照时间戳逐段复制。
这项 Skill 可将 YouTube 视频中的语音转换为可搜索、可引用、可翻译的文本。它支持任意语言的公开 YouTube 视频，可输出纯文本、带时间戳的 Markdown 或 SRT 字幕，并根据你的请求方式自动选择格式，而不是要求你进入设置页面配置。
适用人群
- 研究人员和分析师：将一小时以上的访谈、播客和会议演讲转换为可搜索文本，用 5 分钟读完原本需要观看 90 分钟的内容
- 学生和终身学习者：将课程、教程和教育系列整理成笔记、复习材料和学习指南，转录文本可以直接作为教材
- 记者和事实核查人员：引用 YouTube 视频、公开声明、录制访谈和政治演讲。转录正文为逐字记录，不会被改写
- 内容创作者：将自己的长视频重新制作成 Shorts、Reels、TikTok、博客文章、邮件简报或播客内容
- 播客创作者：将发布在 YouTube 上的节目转换为可搜索的节目笔记、博客文章和可被搜索引擎收录的内容
- 营销人员和竞品研究人员：分析竞争对手频道、品牌视频、销售网络研讨会和产品演示，无需观看数小时视频
- 工程师、开发者和技术学习者：将技术大会、教程演示和代码审查视频转换为可搜索文本
- 语言学习者：使用母语人士的 YouTube 内容学习，同时获得逐字转录和翻译后的摘要
- 翻译人员和本地化团队：为字幕翻译、配音脚本和国际版本准备准确的源文本
- 无障碍团队和教育工作者：当 YouTube 自动字幕不够准确时，生成 SRT 字幕文件
- 牧师、教练和教师：将布道、演讲和在线课程整理成存档、教材和后续内容
- 知识工作者和管理者：以快速浏览和搜索的方式消化行业演讲、主题演讲和财报电话会议，而不是实时播放
解决的问题
YouTube 拥有全球规模最大的口语知识库，包括访谈、播客、课程、技术大会、新闻、布道、培训视频和专家解析。平台虽然提供自动字幕和转录面板，但要将这些内容转换成真正可用的文本，仍然比想象中麻烦：
- 转录面板不会分页、整理段落，也无法干净导出：复制后往往得到一整面带时间戳的碎片文本，清理时间甚至比重新输入还长
- 自动字幕对口音、专业术语、专有名词和多人同时说话的处理不稳定：适合随便观看，但不适合准确引用
- 没有内置摘要功能：即使面对 90 分钟的视频，也需要自行完整观看
- 没有适合重新上传或翻译的 SRT 导出功能：创作者通常还要借助第三方工具
- 无法跨多个视频统一搜索：每条视频的转录都被隔离在单独的面板中
第三方转录工具也常出现以下三类问题：
- 不该翻译时却翻译了转录正文。 你希望逐字引用一位说西班牙语的嘉宾，但工具返回了英语意译。原始引用已经丢失，意译无法用于新闻、研究或法律工作。
- 摘要仍然使用源语言。 你看不懂德语，但摘要也以德语返回。你还需要第二个工具进行翻译。
- 将所有功能藏在设置菜单后面。 你只想粘贴链接并输入一句话，却被要求配置 API Key、输出路径和各种选项。
共同问题在于，这些工具是为构建工作流的工程师优化的，而不是为希望在 30 秒内完成任务的研究人员、记者、学生或创作者设计的。
这项 Skill 只需要一个链接和一句话，就会返回正确的结果。
有什么不同
1. 默认提供双语言输出。
转录正文始终使用原始音频语言逐字保留，引用内容一字不改，与说话者的实际发言完全一致。摘要和关键要点则会使用你的聊天语言。英语用户转录西班牙语访谈时，会得到西班牙语转录和英语摘要；中文用户转录日语课程时，会得到日语转录和中文摘要。无需切换选项，也无需记住语言参数。双语言输出是默认行为，因为实际需求通常就是：在一种语言中保留准确引用，在另一种语言中快速理解内容。
2. 通过你的句子确定输出格式，而不是通过菜单。
输入*“给我字幕”* → 获得可直接用于 Premiere、DaVinci Resolve、CapCut 或 YouTube Studio 的 SRT 文件。输入*“带时间戳，方便我找到谈价格的部分”* → 获得每个段落以 [MM:SS] 开头的 Markdown，可精确引用到秒。未指定格式 → 获得清晰的纯文本，方便阅读、总结，并粘贴至 Notion、Google Docs 或 Obsidian。关键词可以出现在句子的任何位置，支持英语、西班牙语、中文、日语和韩语。“字幕”、*“タイムスタンプ”和“자막”*都会触发与对应英语关键词相同的格式。没有设置页面，也没有格式下拉菜单。
3. 长视频也能快速处理，包括 3 小时播客。
长篇播客、两小时技术大会、完整大学课程、多小时 AMA 和财报电话会议，是转录最有价值、也最容易让传统工具变慢的内容。多数 AI 转录工具会先将完整转录发送给摘要模型，然后才返回结果，这会让长视频额外等待 60–120 秒，多小时内容甚至会多等几分钟。这项 Skill 会生成一个辅助摘要文本，只保留每个段落的第一句和最后一句，并基于该内容生成摘要。输入 Token 减少约一半，同时保持相近的摘要质量。用户体验会从*“等待五分钟后收到整面文字墙”变成“不到两分钟即可获得清晰摘要和已保存文件”*。完整逐字转录仍会保存。
支持的 YouTube 内容
| 内容类型 | 是否支持 | 说明 |
|---|---|---|
| 普通视频 | ✓ | 最常见的场景。根据视频长度，多数可在 30–90 秒内完成转录。 |
| YouTube Shorts | ✓ | 60 秒以内的短视频，处理方式与 TikTok 和 Reels 相同。 |
| 直播回放 | ✓ | 直播结束后保存到频道中的录像，最长可达数小时。 |
| 播客和完整节目 | ✓ | 最常见的长视频使用场景，摘要会使用辅助文本优化。 |
| 已结束的 YouTube Premiere | ✓ | Premiere 结束后按普通视频处理。 |
| 课程和完整系列 | ✓ | 大学讲座、在线课程和培训系列。 |
| 会员专享视频 | ✗ | 需要频道会员资格；链接必须能够在不登录的情况下访问。 |
| 正在进行的直播 | ✗ | 仅支持已结束的录像。 |
| 年龄限制视频 | ✗ | 如果需要年龄验证，链接不会返回内容。 |
| 地区限制视频 | ✗ | 如果视频在处理地区不可用，转录会失败。 |
| 已删除或私密视频 | ✗ | 视频可能已被删除、设为私密或设为不公开。 |
示例
示例 1：从两小时播客中进行研究
一名研究人员正在准备报告，需要提取一场两小时行业专家播客中的关键观点。
“嘉宾对供应链中断说了什么？ https://youtu.be/abc123def”
返回内容：
- 首先提供供应链相关部分，包含嘉宾的逐字引用和准确归因所需的上下文
- 提供 2–4 句节目摘要
- 提供 3–6 条关键要点
- 将完整逐字转录保存为可下载文件，可逐行引用
示例 2：将长篇 YouTube 视频转换为博客文章
一位创作者发布了一条 45 分钟深度解析视频，希望将其转换成博客文章、邮件简报和多个社交媒体片段。
“转录这个视频，并加入时间戳 https://youtu.be/myvideo123”
返回内容：
- 提供 2–4 句摘要，概括视频的论证结构
- 提供 3–6 条关键要点，可用作博客大纲或简报要点
- 输出完整的带时间戳 Markdown，每个段落都带有
[MM:SS]，可直接粘贴到 Notion 或 Google Docs
示例 3：为重新上传的技术大会视频制作字幕
一个工程团队希望将去年的技术大会演讲上传到内部学习平台，并添加符合无障碍要求的 SRT 字幕。
“为这个视频生成 SRT 字幕 https://www.youtube.com/watch?v=xyz789”
返回内容：
- 一个符合标准 SubRip 格式、包含正确时间码的
.srt文件 - 一段简短摘要和关键要点，可用作视频描述和学习平台元数据
输出格式
| 格式 | 触发方式 | 适用场景 |
|---|---|---|
纯文本（.txt） |
默认，无需格式关键词 | 阅读、总结、引用，或粘贴至 Notion、Google Docs、Obsidian、文章和邮件简报 |
带时间戳的 Markdown（.md） |
“时间戳”、“时间码”、“带时间”、“时间戳”、“タイムスタンプ” | 查找准确位置、选择视频片段、整理学习笔记或生成可引用的学术参考 |
SRT 字幕（.srt） |
“字幕”、“captions”、“SRT”、“字幕”、“サブタイトル”、“자막” | 带字幕重新发布、满足无障碍要求、准备翻译源文件或配音脚本 |
语言支持
转录引擎支持英语、西班牙语、葡萄牙语、法语、德语、意大利语、荷兰语、普通话、粤语、日语、韩语、越南语、泰语、印度尼西亚语、他加禄语、阿拉伯语、印地语、乌尔都语、俄语、土耳其语、波兰语、捷克语、匈牙利语，以及大多数主要欧洲、亚洲、中东和拉丁美洲语言。对于混合语言视频，例如主持人在英语和西班牙语之间切换，或嘉宾使用不同语言，系统会以主要语言作为基础，但逐字转录仍会按照实际发言保留所有语言。
无需手动指定语言。系统会根据 URL 信号和频道账号名称进行自动判断。如果第一次尝试结果为空，Skill 会使用你的聊天语言重试一次。两次结果均为空时，系统会要求你确认。通常，这意味着视频为私密内容、存在年龄或地区限制、仅限会员观看，或者已经被删除，而不是语言识别错误。
如果你已经知道音频语言，可以在提示词中注明，例如*“这个西班牙语播客”或“音频是日语”*，从而跳过检测并节省几秒。
准确性与预期
转录正文是逐字记录，由语音识别流程生成，不会被改写或意译。语气词、重复、停顿和多人同时说话的内容都会按照实际发言保留。这对于新闻报道、研究、法律场景或事实核查非常重要，因为准确措辞本身就是证据。
当音频清晰、仅有一名说话者且语言受支持时，准确性较高。多数播客、课程和制作良好的 YouTube 视频都能以较少错误完成转录。多人对话、声音重叠、非常专业的术语、不常见的专有名词、明显的地区口音、旧访谈中的低质量远程音频，以及严重压缩的声音都会降低准确性。任何 AI 都无法完整恢复无法听清的源音频。对于新闻、学术研究或法律工作等高风险引用，请将关键引文与原始视频进行核对。
Skill 仅处理公开的视频链接，不会登录 YouTube，也不会访问私密、会员专享或不公开内容。
不支持的内容
- 本地视频文件：从 YouTube 下载的
.mp4、屏幕录制文件或保存在电脑中的视频，应改用相关的audio-to-textSkill - 正在进行的直播：仅支持已经结束的录像；直播结束并保存到频道前不会返回内容
- 会员专享和年龄限制视频：链接必须能够在不登录或不验证年龄的情况下公开访问
- 私密和不公开视频：Skill 无法代表你登录 YouTube
- 没有口播内容的音乐视频：纯音乐、无旁白表演和无语言内容的视频没有实际可转录内容
- 直接翻译转录正文：为保留逐字引用，转录正文会有意保持源语言；如需翻译，请在收到原始转录后继续提出翻译请求
