一键提取 YouTube 视频字幕，带章节与说话人标注

用户在日常观看 YouTube 视频时，可能需要直接提取视频中的字幕数据供二次使用，但官方工具通常较为繁琐。而 baoyu-youtube-transcript Skill 提供了一种简洁、智能的方式，让用户只需粘贴 YouTube 视频链接，即可快速生成高质量的字幕文档。以下将为您详细说明该工具的使用方法、核心功能与工作原理。

🌟 核心功能与亮点

这个工具的开发出发点是为用户提供高效、高质量的 YouTube 字幕提取服务，以下为主要功能：

• 多格式输出：支持 Markdown（带时间戳）和 SRT 字幕格式，满足多种需求。
• 多链接支持：兼容完整链接、短链接、嵌入链接以及 Shorts 视频链接，甚至直接使用视频 ID。
• 智能断句：结合中日韩适配的断句算法，将碎片化字幕拼接为自然的完整句子，提升阅读流畅度。
• 章节分割：自动识别视频描述中带有时间戳的章节信息，生成清晰的目录结构；找不到章节时可按段落划分。
• 说话人识别：通过 AI 处理视频元数据和语境，智能判断说话人身份，输出带发言人标签的字幕文档。
• 多语言支持：从源语言中提取字幕，可优先选择目标语言或直接翻译成其他语言。
• 缓存机制：视频数据首次抓取后会自动缓存，后续任何格式需求均使用缓存，可通过 --refresh 参数强制刷新。
• 开放接口：基于 YouTube 的 InnerTube API，无需 Google API Key 或 OAuth 验证。

📖 使用方法解析

整个流程极其简单，用户只需按照以下步骤操作：

1. 安装工具：

$ npx skills add jimliu/baoyu-skills --skill baoyu-youtube-transcript

2. 运行 Skill，并输入 YouTube 视频链接或视频 ID。
3. 生成的字幕文件自动输出为 Markdown 格式，包含章节目录、时间戳和识别的发言人标签。

如果需要 SRT 格式，运行命令时指定导出选项即可：

$ baoyu-youtube-transcript --format srt

📌 实用功能解读

✨ 智能断句和多语言支持

传统的 YouTube 字幕通常为逐行逐词的碎片化字幕，难以阅读和整理。此工具利用定制的断句算法，通过标点符号和语言特性拆分完整语句，并按实际语言特点（如中日韩）调整输出格式。此外，支持用户选择其它语言进行字幕翻译。

🔍 视频章节与目录生成

自动解析视频描述中的时间戳（如 "0:00 Introduction"），附加标题生成目录结构。如果视频描述不包含章节，脚本会智能分段，确保输出的分组方式具有逻辑性。

👩‍🎤 发言人识别机制

YouTube 字幕本身并未注明发言人信息，工具通过以下三种方式推断：

• 元数据分析：标题中包含嘉宾名字的最优匹配。
• 语义分析：通过对话特征识别主讲人和对话者。
• 通用标签：若无法推断具体身份，将使用通用标签 "Speaker 1"、"Guest" 等替代。

此外，即使后续对话中才提到真实姓名，工具支持追溯更新前面所有的发言人标签。

🔒 高效的缓存机制

为了减少网络请求，提高生成效率，工具对抓取的数据进行缓存，包括：

• 视频元数据（meta.json）；
• 原始字幕数据（transcript-raw.json）；
• 断句结果（transcript-sentences.json）；
• 视频封面图（cover.jpg）。

无需重复抓取或重新生成，切换格式仅需几秒完成。如果发现字幕有更新，可以通过 --refresh 强制刷新缓存。

🚀 技术背景与扩展

• InnerTube API：尽管是 YouTube 的内部接口，但无需 OAuth 认证即可自由调用字幕内容。
• AI 子代理：如需更复杂的字幕后处理（如翻译、说话人分析），支持通过 AI 扩展功能轻松实现。

💡 小贴士

• Markdown 格式中，章节标题已自动生成超链接，方便用户一键跳转。
• 断句后的时间戳按照内容分布均匀分配，确保字幕与视频高度同步。
• 工具无需绑定额外账户，即开即用。

若您希望提取 YouTube 视频内容用于学习、备份或多语言字幕转换，这款工具将是您不可或缺的助手！