YouTube 字幕提取技能：一键把 YouTube 视频变成可编辑的中文文字稿
- 一句话定位：给一个 YouTube 链接，输出一份结构清晰的中文文字稿，支持自动生成字幕与手动字幕两种来源。
- 输入极简：支持
youtube.com/watch?v=、youtu.be、embed链接，甚至可以直接粘贴 Video ID。 - 输出可控：可选
markdown、text、json三种格式，可带时间戳，可直接写入文件或打印到终端。 - 语言智能：脚本按简体中文 → 繁体中文 → 中文 → 英文 → 自动生成字幕的优先级抓取，遇到英文字幕会翻译为流畅中文。
- 适合人群：内容创作者、做资料整理的研究者与学生、需要把长视频转成图文素材的运营与开发者。
该技能叫什么？如何一键安装 AI 技能提升开发效率？
技能中文名：YouTube 字幕提取技能 技能英文名：youtube-transcript-cn 技能 ID：12469
这个技能解决的是一个非常具体的痛点：YouTube 上的优质内容大多以视频形式存在，而视频本身不可检索、不可复制、不可二次编辑。想引用一段观点，只能反复拖动进度条手动打字；想把一小时的访谈变成文章，人工听写的时间成本高得离谱。该技能做的就是把这层「视频壁垒」拆掉——把视频里的字幕直接拉取下来，转成结构化的中文文字稿。
一键安装的思路与步骤：
- 安装前提：需要一个可执行 Python 3 脚本的运行环境（技能的提取逻辑由
scripts/get_transcript.py完成），以及一个能加载该技能的 AI 客户端环境。具体支持的客户端与版本要求，以官方说明为准。 - 获取并导入技能：在技能市场/技能仓库中搜索技能 ID
12469或英文名youtube-transcript-cn，执行安装或添加到工作区。具体的安装命令、入口位置与鉴权方式，以官方说明为准。 - 确认目录结构：安装完成后，技能目录下应能看到
scripts/get_transcript.py脚本文件，这是整个技能的核心执行入口。 - 验证是否生效：安装后直接对 AI 说出触发语，例如「帮我把这个 YouTube 视频转成文字：<链接>」，或在本地运行一次示例命令：
python3 scripts/get_transcript.py "https://www.youtube.com/watch?v=VIDEO_ID"
只要能打印出文字稿（Markdown 格式），就说明技能已正常生效。
「一键」的真正价值不在于少敲几行命令，而在于把工具能力变成对话能力：你不需要记住参数、不需要自己写解析代码，只要把链接丢给 AI，剩下的提取、语言判断、翻译、排版、保存全部自动完成。
该技能的主要功能和特点
- 链接格式全兼容：同时支持标准
watch?v=链接、短链youtu.be、嵌入链接embed，以及直接传入 Video ID，省去手工清洗 URL 的步骤。 - 双层字幕来源：既支持视频上传者提供的手动字幕，也支持平台生成的自动生成字幕，覆盖面更广。
- 智能语言优先级：按简体中文（zh-Hans）→ 繁体中文（zh-Hant）→ 中文（zh）→ 英文（en）→ 自动生成字幕的顺序查找，优先取质量更高的中文字幕。
- 自动翻译为中文：若只拿到英文字幕，技能会借助模型能力翻译成流畅中文，并保持原文的结构与段落划分，而不是逐句硬翻。
- 三种输出格式：
markdown（默认，带标题、Video ID、语言、链接等元信息）、text（纯文本）、json（便于后续程序化处理）。 - 可选时间戳：加
-t参数即可在文本中保留时间点，方便回看原视频定位。 - 结果可落盘：通过
-o直接写入指定文件，一步产出可交付的文字稿。 - 异常有明确出口：内置错误处理表，无字幕、URL 无法解析、网络超时等情况都有对应的提示与解决方案，不会让流程卡死在黑盒里。
和普通做法的差异：手动听写是「人跟着视频跑」，通用转录工具是「先下载音频再上传转写」，而这个技能是「链接进、文字出」，中间的音视频处理环节被完全隐藏，且输出天然是结构化的、可直接进文档的文本。
如何使用该技能？
第 1 步：准备一个 YouTube 链接 从浏览器地址栏或分享按钮复制链接，以下任意一种都可以：
https://www.youtube.com/watch?v=VIDEO_IDhttps://youtu.be/VIDEO_IDhttps://www.youtube.com/embed/VIDEO_ID- 直接使用
VIDEO_ID本身
第 2 步：用自然语言触发技能 最常见的用法是直接把链接和自己的意图一起说出来，例如：
「帮我把这个 YouTube 视频转成文字：https://www.youtube.com/watch?v=dQw4w9WgXcQ」
技能会先提取 URL、再运行脚本、然后处理语言（中文直接输出，英文翻译后输出），最后按需保存为 Markdown 文件。
第 3 步：按需选择命令参数 需要更精细控制时，直接调用脚本：
# 基本用法：获取 Markdown 格式文字稿
python3 scripts/get_transcript.py "https://www.youtube.com/watch?v=dQw4w9WgXcQ"
# 带时间戳，便于回看原视频定位
python3 scripts/get_transcript.py -t "https://youtu.be/VIDEO_ID"
# 保存到指定文件
python3 scripts/get_transcript.py -o output.md "https://www.youtube.com/watch?v=VIDEO_ID"
# 输出 JSON，便于后续程序化处理
python3 scripts/get_transcript.py -f json "VIDEO_ID"
参数速查：url（必填）、-f/--format（text/markdown/json，默认 markdown）、-t/--timestamps（是否含时间戳，默认否）、-l/--lang（首选语言，逗号分隔，默认 zh,en）、-o/--output（输出文件路径，默认 stdout）。
第 4 步：阅读输出结果 默认的 Markdown 输出形如：
# 视频标题
- **Video ID**: abc123
- **语言**: 中文（自动生成）
- **链接**: https://www.youtube.com/watch?v=abc123
---
## 文字稿
这是视频的第一段内容...
这是视频的第二段内容...
顶部元信息（标题、Video ID、语言、链接）让文字稿自带出处，便于引用与溯源；下方正文按段落组织，可直接粘贴进笔记或文档。
第 5 步：处理异常情况 如果返回「无可用字幕」，说明该视频确实没有字幕轨，可考虑其他方案；如果提示「无法提取视频 ID」，通常意味着链接格式有误，重新复制完整链接即可；遇到网络超时，重试一次或检查网络连接。
同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势与不足 |
|---|---|---|---|---|---|
| youtube-transcript-cn（本技能） | 对话式的 YouTube 字幕提取与中文化 | 多格式链接解析、中/英字幕优先级抓取、自动生成字幕支持、英译中、Markdown/text/JSON 输出、时间戳、落盘保存 | 需安装技能并具备 Python 3 环境；使用为一句自然语言或一行命令 | 视频转文章、访谈整理、资料归档、素材二创 | 优势：链接进文字出，输出结构化、自带元信息，中文化一步到位；不足：依赖视频本身存在字幕轨，无字幕视频无法直接产出文字 |
| YouTube 平台自带字幕/转录面板 | 平台原生功能 | 在播放页查看字幕、部分区域提供文字转录视图 | 零安装，打开网页即可 | 快速浏览、临时查一句话 | 优势：无需任何配置，最省事；不足：无法批量导出、缺少结构化格式、跨语言阅读体验割裂、不便于二次编辑 |
| 通用音视频转写工具（先下载音频再上传转写） | 通用转写服务 | 音频转文字、说话人区分、多语言识别 | 需要额外下载音视频、上传文件，通常有额度或时长限制（以官方说明为准） | 无字幕视频、会议录音、本地音视频文件 | 优势：不依赖视频是否带字幕，适用面更宽；不足：链路长、有额外成本与隐私顾虑，处理长视频耗时长 |
| 命令行工具自行搭建（下载器 + 字幕/语音识别脚本） | 开发者手工流水线 | 完全可定制，可组合多种下载与识别方案 | 门槛最高，需自行编写与维护脚本 | 批量处理、深度定制流程 | 优势：灵活度最高、可深度集成；不足：上手成本高、需长期维护，语言判断与翻译等环节要自己补 |
选型建议：如果你要的是**「把 YouTube 视频快速变成一段能用的中文文字」**，本技能在链路长度和输出可用性上最平衡；如果不能接受任何安装成本，平台自带字幕最省事但导出能力弱；如果视频根本没有字幕轨，则需要转向通用转写方案。
该技能的典型应用场景与实际体验情况
场景一：内容创作者做选题调研与素材二创 角色：做知识类短视频或公众号的创作者。 痛点：需要大量观看同领域海外视频找选题，逐条做笔记效率极低，且英文内容理解成本高。 使用方式：把候选视频链接逐个丢给技能，输出带元信息的 Markdown 文字稿，再让 AI 基于文字稿提炼观点、对比不同视频的论点差异。 实际体验：上手几乎没有学习成本，一条链接一句话就能出稿；中文字幕优先的策略让大部分中文区视频可以「原样直出」。需要注意的是，自动生成字幕可能存在同音错字，涉及人名、专业术语时建议对照原文小幅校正。
场景二：研究者/学生的资料整理与引用
角色：需要引用海外讲座、公开课、访谈的研究者或学生。
痛点：视频内容无法检索、难以精确引用，手动听写一段十分钟的内容可能要半小时以上。
使用方式：用 -t 参数输出带时间戳的文字稿，写作时引用观点可回填时间点，方便溯源核对；再用 -o 直接保存为 .md 归档到资料库。
实际体验：时间戳是这里最关键的能力，它把「引用」这件事从模糊描述变成了可验证定位。建议在归档时统一命名规则，方便后续检索。
场景三：运营/社群把长视频转成图文内容 角色：负责社群、Newsletter 或内部知识库的运营人员。 痛点：一小时访谈要拆成多条图文推送，人工整理耗时且容易漏掉关键信息。 使用方式：先用技能产出完整文字稿，再让 AI 按主题切分、生成摘要与小标题，最后人工润色发布。 实际体验：整条链路从「听写 + 整理」变成「校对 + 润色」，人力投入显著下降。注意长视频的文字稿篇幅较大，建议分段处理，避免一次性信息量过载。
场景四：开发者做内容流水线的数据入口
角色：需要批量处理视频内容的开发者。
痛点：想把视频内容接入自己的检索、摘要或分析系统，但缺少稳定的文本入口。
使用方式：用 -f json 输出结构化结果，直接进入后续处理流程；也可在脚本层面对接批量任务。
实际体验：JSON 输出让「提取」和「加工」解耦，是整个技能里对工程侧最友好的设计。需要注意的是，批量运行时要自行考虑请求频率与网络稳定性。
该技能能为用户带来的价值
- 把「小时级」压缩到「分钟级」：一小时的视频，人工听写往往需要数小时，而技能只需一次调用即可产出完整文字稿，把时间从「打字」转移到「思考与编辑」上。
- 写作检索成为可能：视频一旦变成文本，就可以搜索、引用、摘录、对比，长视频里的信息从「一次性消费」变成「可复用资产」。
- 跨语言门槛显著降低：中文字幕优先 + 英文字幕自动翻译的组合，让不熟悉英文听力的用户也能高效消化海外内容。
- 流程标准化，减少重复劳动：统一的元信息头（标题、Video ID、语言、链接）加统一格式输出，让多人协作时的素材交付有了一致标准。
- 接入成本低：一句自然语言即可触发，不懂命令行也能用；懂命令行的则可以通过参数把能力嵌进自己的流水线。
- 长期价值在于「可积累」：持续把关注的视频转成文字稿归档，会逐渐形成一个属于你自己的、可全文检索的内容库，这是单纯「看视频」永远无法沉淀下来的东西。
常见问题 FAQ
Q1：这个技能怎么安装？装完怎么确认能用？
在技能仓库中按技能 ID 12469 或英文名 youtube-transcript-cn 搜索并添加，安装前提是具备 Python 3 运行环境。安装后检查技能目录下是否存在 scripts/get_transcript.py，然后随便找一个带字幕的 YouTube 视频运行一次，能打印出 Markdown 文字稿即为生效。具体安装命令与客户端入口以官方说明为准。
Q2：这个技能收费吗？ 技能本身的使用方式已在技能详情中给出，不涉及额外说明的计费项；但由于提取与翻译过程依赖运行环境与模型能力，实际产生的资源消耗取决于你所在平台的政策，具体以官方说明为准。
Q3：为什么有些视频提取不到字幕？ 最常见的原因是视频本身没有字幕轨——既没有上传者提供的手动字幕，也没有平台生成的自动字幕。这种情况下技能会明确告知「无可用字幕」。此外，链接格式错误会导致无法解析 Video ID，网络问题则可能触发超时，按提示重新提供链接或重试即可。
Q4：英文视频能用吗？翻译质量怎么样？ 可以。技能会先按语言优先级尝试中文轨，找不到时抓取英文字幕，再翻译为中文，并尽量保持原文的结构与段落划分。翻译属于模型能力范畴，专业术语和长难句建议人工过一遍，效果会更稳。
Q5：它和「先下载音频再上传转写」的工具该怎么选？ 看两个条件：视频有没有字幕、你要不要结构化输出。如果视频本身带字幕，且你希望以最短链路拿到带元信息的 Markdown/JSON 文字稿，选本技能；如果视频无字幕、或你需要处理的是本地音视频文件与会议录音，则需要走通用的语音转写方案。两者并不冲突，可以按内容类型分工使用。