Day1-get_context_from_YT

17th鐵人賽

poyuanchih

2025-09-16 10:48:05

62 瀏覽

分享至

TL;DR

我們今天兜了三個小工具，
程式在這裡的days/day1
python get_transcription.py
是從自帶字幕的youtube連結獲取字幕，存成txt檔
python yt_download.py
如果本身沒有自帶字幕的話，就先把影片的音訊檔載下來
python whisper_audio2txt.py
然後用whisper轉成文字檔
結果在專案目錄下的data下的lee.txt和hung.json

Situation:

我們想要替RAG系統獲得成對的(context, question, answer)供後續方法論的驗證

Task:

當前的子任務是：先想辦法獲得context，我們後續再prompt llm從context生成(Q, A) pair

Action:

這部分的想法是從youtube影片獲取，那這又區分成兩個case:
case1: 當youtube影片有提供字幕的時候，我們直接把字幕載下來
case2: 當youtube影片本身沒有提供字幕的時候，我們可以把音訊檔下載下來，丟給whisper
我們準備了兩個youtube的連結：

一個有字幕的例子：
【生成式人工智慧與機器學習導論2025】第０講：開場與課程簡介
感覺累積起來可以變成發問有關生程式AI的問題->查找李老師的youtube課程並且精確到秒
一個沒有字幕的例子：
# 寶寶睡不過夜？總是半夜起床哭鬧討奶喝怎麼安撫？影響寶寶睡眠的因素是什麼？｜黃瑽寧醫師健康講堂【寶寶系列 EP21】
這個可能可以變成一個育兒上有疑難雜症就問他的應用

套件們

youtube_transcript_api 這個是當影片本身帶有字幕的時候可以直接載

pip install youtube-transcript-api

yt_dlp: 這個是當youtube本身沒有字幕的時候，我們要用這個套件把音訊檔載下來

sudo apt install -y ffmpeg
pip install yt-dlp

faster-whisper: 這個是用whisper的語音轉文字

pip install faster-whisper

開始寫code

首先是有字幕的case

首先是一個helper function 用來把youtube的網址轉成video_id(transcript_api要用)

def _extract_video_id(url: str) -> str:
 p = urlparse(url)
 if p.netloc.endswith("youtu.be"):
     return p.path.lstrip("/").split("/")[0]
 q = parse_qs(p.query)
 if "v" in q:
     return q["v"][0]
 m = re.search(r"/(shorts|embed)/([A-Za-z0-9_-]{6,})", p.path)
 if m:
     return m.group(2)
 raise ValueError("無法從網址解析出 YouTube 影片 ID。")

一個判斷影片本身有沒有自帶字幕的函數，沒有就回傳False

def has_youtube_captions(url: str, preferred_langs=None) -> bool:
 from youtube_transcript_api import YouTubeTranscriptApi
 from youtube_transcript_api._errors import TranscriptsDisabled
 from youtube_transcript_api import NoTranscriptFound

 video_id = _extract_video_id(url)
 api = YouTubeTranscriptApi()

 try:
     tlist = api.list(video_id)  # TranscriptList，可疊代
 except (TranscriptsDisabled, NoTranscriptFound):
     return False
 except Exception:
     return False

 if preferred_langs:
     try:
         tlist.find_transcript(preferred_langs)
         return True
     except NoTranscriptFound:
         return False
 else:
     return len(list(tlist)) > 0

字幕的提取：

def fetch_youtube_captions(
 url: str,
 preferred_langs=None,
 translate_to: str | None = None,
 join_with: str = "\n",
 preserve_formatting: bool = False,
 ) -> str:
 if preferred_langs is None:
     preferred_langs = ["zh-Hant", "zh-TW", "zh-Hans", "zh", "en"]

 video_id = _extract_video_id(url)
 from youtube_transcript_api import YouTubeTranscriptApi, NoTranscriptFound

 api = YouTubeTranscriptApi()

 if translate_to:
     # 先找到一個字幕，再翻譯
     tlist = api.list(video_id)
     try:
         base_t = tlist.find_transcript(preferred_langs)
     except NoTranscriptFound:
         base_t = next(iter(tlist), None)
     fetched = base_t.translate(translate_to).fetch(preserve_formatting=preserve_formatting)
 else:
     fetched = api.fetch(video_id, languages=preferred_langs, preserve_formatting=preserve_formatting)

 raw = fetched.to_raw_data()
 lines = [d["text"].strip() for d in raw if d.get("text", "").strip()]
 junk = {"[Music]", "[Applause]", "[Laughter]"}
 return join_with.join([ln for ln in lines if ln not in junk])

到這邊看一下結果：

text = fetch_youtube_captions(links[0])
print(text[:30])

'各位同學大家好我們來上課吧\n剛才只是用Google的VO3'

沒有字幕的case

我們要先用yt_dlp把影片載下來，這個如果安裝上有問題，我覺得就直接去colab上用比較省事
4. 下載mp3

def download_audio(url, output):
    ydl_opts = {
        "format": "bestaudio/best",
        "outtmpl": output,
        "postprocessors": [{
            "key": "FFmpegExtractAudio",
            "preferredcodec": "mp3",
            "preferredquality": "192"
        }]
    }
    with yt_dlp.YoutubeDL(ydl_opts) as ydl:
        ydl.download([url])
    return output
    
output_path = 'audio.mp3'
download_audio(links[1], output_path)

到這邊路徑下會有一個audio.mp3檔案，點開來就是影片的語音檔了。
5. 用faster_whisper 把mp3轉txt

from faster_whisper import WhisperModel
from pathlib import Path

def transcribe_faster_whisper(
    audio_file: str | Path,
    model_name: str = "large-v3",
    device: str = "auto",          # "cuda" | "cpu" | "auto"
    compute_type: str = "auto",     # "float16" | "int8_float16" | "int8" | "auto"
    language: str | None = None,    # "zh"、"en"、None=自動偵測
):
    audio_file = str(audio_file)
    model = WhisperModel(model_name, device=device, compute_type=compute_type)
    segments, info = model.transcribe(
        audio_file,
        language=language,
        vad_filter=True,        # 內建 Voice Activity Detection，通常品質更穩
        beam_size=5,
    )
    # 收集所有 segments
    segs = []
    full_text = []
    for seg in segments:
        segs.append({"start": seg.start, "end": seg.end, "text": seg.text})
        full_text.append(seg.text)
    return {
        "text": " ".join(full_text).strip(),
        "segments": segs,
        "language": info.language,
        "language_probability": info.language_probability,
    }

到這邊看一下結果：

zh 0.9990234375
大家平安我是黃宗霖醫師在當新手父母的過程當中寶寶的睡眠這件事情一直都是我們黃宗霖醫師健康講上留人區最頻繁被爸媽提出來的問題而且我自己孩子很小的時候我曾經腦袋有一種邪惡的一種念頭就是當寶
dur: 46.231650829315186 sec

可以看到比如人名的辨識會有問題，沒有標點，還有一些特殊的詞彙也做不好，但也就堪用吧！

關於faster_whisper的環境問題

如果faster_whisper執行有問題的話，通常是因為找不到cudnn
我遇到的是顯示：

Unable to load any of {libcudnn_ops.so.9.1.0, libcudnn_ops.so.9.1, libcudnn_ops.so.9, libcudnn_ops.so}
Invalid handle. Cannot load symbol cudnnCreateTensorDescriptor
Aborted (core dumped)

解決：

除了直接安裝cudnn以外:
pip install -U --no-cache-dir nvidia-cudnn-cu12 ctranslate2
還要記得把lib加到LD_LIBRARY_PATH

export LD_LIBRARY_PATH="$(

python - <<'PY'

import os, site

libdirs=[]

for base in site.getsitepackages()+[site.getusersitepackages()]:

    for sub in [("nvidia","cudnn","lib"), ("nvidia","cublas","lib")]:

        d=os.path.join(base, *sub)

        if os.path.isdir(d): libdirs.append(d)

print(":".join(libdirs))

PY

):${LD_LIBRARY_PATH}"

再不然就是改用cpu跑model選tiny其實也不慢
老樣子，本地環境弄不起來的話就~~可以直接去colab上用省事~~

Summary:

我們今天兜了兩個小工具，
一個是從自帶字幕的youtube連結獲取字幕，準備當成上下文
一個是當youtube影片本身沒有附字幕的時候，我們把它下載下來，再用whisper轉成文字檔

後續會把程式更新到github上

延伸:

明天來解決載下來的逐字稿太長的問題
這是第一篇帶有程式的文章，寫完才發現應該要縮減程式碼的篇幅，不然簡單的工具也會把文章拖得很長，這個就下篇改進。
在找資料的過程中發現openai官方的api有一些whisper的cookbook可以參考，可以prompt whisper來解決一些人名識別的問題，- ~~如果後面沒東西寫了~~也許可以試著提升一下whisper這條路。