YouTube 视频转口播稿：用 Whisper 和 Buda 跑完整流程

看到一条值得研究的 YouTube 视频很容易，把它变成真正能继续创作的材料却很麻烦。

在写自己的文章或口播稿之前，通常还要下载视频、提取音频、运行 Whisper 转写、定位关键段落，再根据新的受众和角度重新组织内容。真正需要判断的部分可能只花十分钟，前后的文件处理却会拖很久。

Buda 可以把这串动作变成一个由 Agent 执行的完整任务。在 Buda AI Marketplace 安装 buda-youtube-to-script Skill，把支持的视频链接发给 Agent，它就能下载媒体、调用 Whisper、套用口播稿模板，并把工作文件保存在同一个项目里。

这并不意味着可以换种说法搬运别人的视频。它提供的是一套可核对的创作材料，让人从难搜索的视频直接进入选材、查证和原创表达。

从 YouTube 视频到口播稿的完整流程

这个 Skill 保存的不是一句 Prompt，而是一条固定工作路径：

1. 使用内置的 yt-dlp 辅助程序下载源视频和 MP3 音频。
2. 调用 Whisper 把音频转成文字。
3. 读取转写稿，套用结构化口播模板。
4. 生成开场 hook、内容时间线、完整口播和标题选项。
5. 把源视频、MP3、转写稿和最终脚本保存为持久文件。

Prompt 可以描述目标，但不会自动保证下载、转写、模板、文件命名和结果交付每次都按同一顺序完成。Skill 把方法保存下来，Agent 才能稳定重复执行。

第一步：先确认来源和使用目的

先确认你有权处理这条视频。视频公开可看，不等于可以直接复刻原作者的表达。

在 Agent 开始前，先决定你需要什么：

• 便于研究的逐字稿
• 内部摘要
• 一段新的短视频口播稿
• 基于部分事实写成的文章
• 回应或评论视频的研究笔记

同时说明受众、输出语言、创作角度和目标时长。Skill 默认生成英文、60–90 秒的短视频口播稿，但你可以明确要求中文、其他长度或特定观点。

一条有效的指令可以这样写：

把这条视频整理成一段 60 秒中文口播稿，受众是中小企业老板。保留核心事实，重点解释它会怎样影响实际经营。

URL 告诉 Agent 从哪里开始，创作要求决定它最后应该写出什么。

第二步：从 Buda AI Marketplace 安装 Skill

打开 Buda AI 的 Marketplace，搜索 buda-youtube-to-script，把它安装到负责内容工作的 Agent。

这个 Skill 已经把下载程序、Whisper 转写和口播模板放在一起，不需要再安装另一个下载 Skill，也不用每次重新解释完整步骤。

安装后，Agent 收到视频 URL 和脚本要求，就能识别并执行这条工作流。

你可以在 Buda AI Marketplace 中查看并安装 Skills。

第三步：发送 URL，同时给出创作要求

只发 URL，可以触发默认流程；URL 加一份清楚的 brief，结果会更好。

建议同时说明：

• 写给谁看
• 使用什么语言
• 发布到哪个平台
• 大概多长
• 你想增加什么角度
• 哪些事实或表述必须重点核对

随后，Agent 会自己推进操作：准备项目目录、下载源媒体、提取 MP3、调用 Whisper、读取转写稿，并写出新的口播脚本。

人可以在 Agent Session 里看到执行过程，不必守着多个工具，在每一步结束后手工搬文件。

第四步：分别审核四类文件

一条可靠的内容工作流，应该把来源依据和重新创作分开保存。

Skill 默认保留四类结果：

• 源视频：保留视觉上下文，随时回到原始画面。
• MP3 音频：方便回听发音、语气和前后语境。
• Whisper 转写稿：提供可搜索的文字依据，用来定位观点、人名和数字。
• 口播脚本：提供开场、内容推进、完整口播和标题选项，方便继续修改。

不要把它们合并成一个文件。转写稿是来源证据，口播稿是重新组织后的解释。两者都保留，查错和改稿才有依据。

Whisper 转写稿不等于可发布的脚本

Whisper 解决的是语音识别。它不会替你判断某个观点是否可靠、读者需要什么背景，或者你应该加入什么原创判断。

逐字稿通常包含重复、停顿、口头填充词和识别错误。人名、数字、产品名和引语必须回到源视频核对。真正能录制的脚本还需要新结构：为什么读者要听下去，哪些内容可以压缩，哪些背景必须补充，最后的结论是否属于你。

发布或录制前，至少检查：

• 人名、数字和专有名词是否正确
• 是否保留了原作者的真实意思
• 哪些表达仍然过于接近原视频
• 哪些事实需要第二个来源佐证
• 你增加了什么经验、判断或解释
• 开场和时长是否适合目标平台

Agent 接走重复执行，人仍然对版权、准确性、取舍和最终表达负责。

哪些场景最适合这条工作流

当视频是长期内容来源，而不是偶尔处理一次时，这个 Skill 最有价值：

• 把产品演示整理成短视频脚本
• 把访谈变成可搜索的研究材料
• 从 Webinar 或演讲中提取方法
• 根据公开发布会准备评论内容
• 在获得授权后，把视频本地化给另一类受众
• 建立可搜索的视频逐字稿资料库

如果视频需要登录、禁止下载、音质差到无法可靠识别，或你没有相应使用权，Agent 应该停止，并请你提供有权处理的文件或更换来源。

从一次成功运行，变成可重复的内容系统

第一层收益是快：一个 URL 变成有组织的来源材料和可编辑脚本。

更重要的是连续性。源视频、转写稿、模板和脚本可以留在 Agent 的同一个项目里，审核记录也不会散落。下一次再处理视频，不必重新拼接工具和指令。

这就是“让 AI 回答一次”和“管理一条 Agent 工作流”的区别。稳定步骤交给机器执行，重要判断留给对结果负责的人。

常见问题

Buda 能自动把 YouTube 视频变成口播稿吗？

可以。安装 buda-youtube-to-script 后，Buda Agent 可以下载受支持的视频、提取音频、用 Whisper 转写，再根据模板生成口播稿。发布前仍需人工检查版权、事实和原创性。

这个 Skill 只能处理 YouTube 吗？

它面向 YouTube 及下载程序支持的其他视频 URL。登录、地区限制、私密视频和下载保护可能导致处理失败。

Skill 会生成哪些文件？

默认保留源视频、MP3 音频、Whisper 转写稿和最终口播脚本。

可以生成中文或其他语言吗？

可以。默认输出英文，但可以在指令中指定其他语言。人名、术语和本地化表达仍需人工审核。

Whisper 逐字稿可以直接发布吗？

不可以。逐字稿只是识别出来的语音。可发布脚本还需要事实核查、内容取舍、重新组织、原创判断和版权检查。

打开 Buda AI Marketplace，搜索 buda-youtube-to-script，把它安装到自己的 Agent。发送视频 URL 时，同时说明受众、角度、语言和时长，然后把源内容和新脚本放在一起审核，再开始录制。