小宇宙播客转写助手 (Xiaoyuzhou Podcast Transcriber)

本 Skill 自动化将小宇宙 (Xiaoyuzhou) 播客单集转换为高质量文本归档的流程。

核心能力 (Capabilities)

1. 下载 (Download)：从小宇宙单集页面提取并下载音频。
2. 转写 (Transcribe)：使用本地部署的 Alibaba FunASR (Paraformer) 模型，实现高精度的中文语音识别。
3. 处理 (Process)：生成三个层级的文档：

- transcriptraw.txt：逐字逐句的原始文本 (Raw Text)。 - podcastfullstructured.md：保留全文但优化了可读性（包含标题、分段）的结构化文稿。 - podcastoptimized.md：精简、润色后的精华摘要 (Summary) 和 Show Note。

前置条件 (Prerequisites)

• Python 3.8+
• FFmpeg (必须安装并添加到系统 PATH)
• Internet Connection (用于下载音频和模型文件)

工作流指南 (Workflow Instructions)

请按以下顺序执行任务。

第一阶段：准备与下载 (Preparation & Download)

1. 提取音频 URL (Extract Audio URL)：

- 获取提供的小宇宙 (Xiaoyuzhou) 单集页面的 HTML。 - 查找音频文件 URL（通常是 mp3, m4a 格式）。特征模式通常包含 https://media.xyzcdn.net/...。 - 提示：使用 curl 获取 HTML 并用 grep 提取 URL。

1. 下载音频 (Download Audio)：

- 将音频文件下载为 podcast.m4a (或 podcast.mp3)。

1. 格式转换与切片 (Convert & Chunk)：

- 将音频转换为 16kHz 单声道 WAV 格式（FunASR 模型要求）。 - 将音频切分为 5 分钟的片段 (Chunks)，以确保稳定性并降低内存占用。 - 命令示例： ``bash ffmpeg -i podcast.m4a -ar 16000 -ac 1 podcast.wav mkdir -p chunks ffmpeg -i podcast.wav -f segment -segment_time 300 -c copy chunks/part%03d.wav ``

第二阶段：本地转写 (Local Transcription with FunASR)

1. 环境配置 (Environment Setup)：

- 如果不存在，创建一个 Python 虚拟环境 (venv)。 - 安装必要的包：modelscope, funasr, torch, torchaudio。 - 注意：使用 pip install modelscope funasr torch torchaudio。

1. 编写转写脚本 (Transcription Script)：

- 创建一个名为 transcribe_chunked.py 的 Python 脚本，包含以下逻辑：

```python import os import glob import traceback from funasr.auto.auto_model import AutoModel

# Model Definitions (模型定义) modelid = "iic/speechparaformer-largeasrnat-zh-cn-16k-common-vocab8404-pytorch" vadmodelid = "iic/speechfsmnvadzh-cn-16k-common-pytorch" puncmodelid = "iic/puncct-transformer_zh-cn-common-vocab272727-pytorch"

try: print("Loading models...") model = AutoModel( model=modelid, vadmodel=vadmodelid, puncmodel=puncmodelid, disableupdate=True )

files = sorted(glob.glob("chunks/part*.wav")) print(f"Found {len(files)} chunks.")

# Initialize output file (初始化输出文件) outputfile = "transcriptraw.txt" with open(output_file, "w", encoding="utf-8") as f: f.write("")

for i, filepath in enumerate(files): print(f"Processing {filepath} ({i+1}/{len(files)})...") try: res = model.generate( input=filepath, batchsize_s=300, # Add hotwords if relevant to the specific podcast context )

textpart = "" if isinstance(res, list): for item in res: if 'text' in item: textpart += item['text'] elif isinstance(res, dict) and 'text' in res: text_part = res['text']

with open(outputfile, "a", encoding="utf-8") as f: f.write(textpart + "\n") f.flush()

except Exception as innere: print(f"Error processing {filepath}: {innere}") traceback.printexc()

print("All chunks processed.")

except Exception as e: print("Fatal error:") traceback.print_exc() ```

1. 执行转写 (Execute Transcription)：

- 在虚拟环境中运行脚本。 - 确保生成了 transcript_raw.txt。

第三阶段：后处理 (Post-Processing)

1. 生成 podcastfullstructured.md：

- 目标：创建一个阅读友好的全文 (Full Text) 版本。 - 输入：transcript_raw.txt。 - 指令： - 读取原始转写文本 (Raw Transcript)。 - 不要删除内容。保留原始措辞（包括能增加语感的口语填充词，但可以微调结巴重复的部分）。 - 增加结构 (Structure)：将长段落拆分为逻辑清晰的段落 (Paragraphs)。 - 添加标题 (Headings)：为不同话题/部分插入描述性的 H2/H3 标题。 - 格式化 (Formatting)：使用粗体 (Bold) 强调关键点。

1. 生成 podcast_optimized.md：

- 目标：创建一个高质量的 "Show Note" 或精华摘要 (Essence Summary)。 - 输入：transcriptraw.txt 或 podcastfull_structured.md。 - 指令： - 去噪 (Remove Noise)：去除口语填充词（如 uh, um, you know）、重复句和无关闲聊。 - 润色 (Refine)：将句子打磨为流畅、专业的书面中文 (Written Chinese)。 - 总结 (Summarize)：整理成带有标题的清晰章节。 - 高亮 (Highlight)：提取关键洞见或“金句” (Golden Sentences)。

第四阶段：最终交付 (Final Output)

报告以下四个产出物 (Artifacts) 的成功创建：

1. podcast_optimized.md
2. transcript_raw.txt
3. podcast.m4a / podcast.wav
4. podcastfullstructured.md