播客转录 Skill

将播客音频下载并转录为文字，存为 Markdown 文件。支持小宇宙、喜马拉雅等平台。

环境要求

# Python 3.9+
python -m venv .venv
source .venv/bin/activate

# 依赖
pip install faster-whisper

# 系统依赖
# macOS: brew install ffmpeg
# Ubuntu: sudo apt install ffmpeg

使用方法

单集转录

python scripts/transcribe.py "https://www.xiaoyuzhoufm.com/episode/xxxxx"

批量转录（RSS）

python scripts/batch_transcribe.py --rss-url "http://www.ximalaya.com/album/xxxxx.xml" --count 10

流程

Step 1: 下载音频

支持多种来源：

• 小宇宙单集链接（自动从页面提取音频 URL）
• 喜马拉雅链接
• 直接音频 URL（.mp3/.m4a/.wav）
• RSS feed 中的音频链接

注意：小宇宙/喜马拉雅等平台会从页面 HTML 中自动解析 og:audio、<audio> 标签或内嵌 JSON 获取真实音频地址，无需手动提取。

Step 2: faster-whisper 转录

from faster_whisper import WhisperModel

model = WhisperModel('small', device='cpu', compute_type='int8')
segments, info = model.transcribe(
    audio_path,
    language='zh',
    beam_size=5,
    vad_filter=True,
)

Step 3: 生成 Markdown

自动创建带 frontmatter 的 Markdown 文件。

性能数据

模型	速度 (CPU)	中文准确率
faster-whisper tiny	~149s/1h	一般
faster-whisper small	~10min/h	良好 (~85-90%)
faster-whisper large-v3	~30-60min/h	最佳

已知限制

• CPU 推理较慢，长播客需要较长时间
• 中文准确率约 85-90%，需要人工校对
• 首次运行会下载模型（small: ~461MB）
• 不支持说话人分离

参考项目

• SYSTRAN/faster-whisper - Whisper 的 CTranslate2 实现
• OpenAI Whisper - 原始 Whisper 模型

⚖️ 合规声明

仅供个人学习与研究使用。请遵守目标平台的服务条款（ToS）与 robots 规则，控制请求频率，不要用于批量抓取、商用爬取或侵犯他人权益的场景。下载内容的版权归原作者所有。