YouTube 影片轉口播稿：用 Whisper 和 Buda 跑完整流程

看到一支值得研究的 YouTube 影片很容易，把它變成真正能繼續創作的材料卻很麻煩。

在寫自己的文章或口播稿之前，通常還要下載影片、擷取音訊、執行 Whisper 轉寫、定位關鍵段落，再依新的受眾與角度重新組織內容。真正需要判斷的部分可能只花十分鐘，前後的檔案處理卻會拖很久。

Buda 可以把這串動作變成一個由 Agent 執行的完整任務。在 Buda AI Marketplace 安裝 buda-youtube-to-script Skill，把支援的影片連結交給 Agent，它就能下載媒體、呼叫 Whisper、套用口播稿模板，並把工作檔案保存在同一個專案裡。

這並不代表可以換種說法搬運別人的影片。它提供的是一套可核對的創作材料，讓人從難搜尋的影片直接進入選材、查證與原創表達。

從 YouTube 影片到口播稿的完整流程

這個 Skill 保存的不是一句 Prompt，而是一條固定工作路徑：

1. 使用內建的 yt-dlp 輔助程式下載來源影片與 MP3 音訊。
2. 呼叫 Whisper 把音訊轉成文字。
3. 讀取轉寫稿，套用結構化口播模板。
4. 產生開場 hook、內容時間線、完整口播與標題選項。
5. 把來源影片、MP3、轉寫稿與最終腳本保存為持久檔案。

Prompt 可以描述目標，但不會自動保證下載、轉寫、模板、檔案命名和結果交付每次都照同一順序完成。Skill 把方法保存下來，Agent 才能穩定重複執行。

第一步：先確認來源與使用目的

先確認你有權處理這支影片。影片公開可看，不等於可以直接複製原作者的表達。

在 Agent 開始前，先決定你需要什麼：研究逐字稿、內部摘要、新的短影音口播稿、根據部分事實寫成的文章，或回應影片的研究筆記。

同時說明受眾、輸出語言、創作角度與目標長度。Skill 預設產生英文、60–90 秒的短影音口播稿，但你可以明確要求繁體中文、其他長度或特定觀點。

例如：

把這支影片整理成一段 60 秒繁體中文口播稿，受眾是中小企業經營者。保留核心事實，重點解釋它會怎樣影響實際營運。

URL 告訴 Agent 從哪裡開始，創作要求決定它最後應該寫出什麼。

第二步：從 Buda AI Marketplace 安裝 Skill

打開 Buda AI 的 Marketplace，搜尋 buda-youtube-to-script，把它安裝到負責內容工作的 Agent。

這個 Skill 已經把下載程式、Whisper 轉寫與口播模板放在一起，不需要再安裝另一個下載 Skill，也不用每次重新解釋完整步驟。

安裝後，Agent 收到影片 URL 與腳本要求，就能辨識並執行這條工作流。

你可以在 Buda AI Marketplace 中查看並安裝 Skills。

第三步：傳送 URL，同時給出創作要求

只傳 URL 可以觸發預設流程；URL 加上一份清楚的 brief，結果會更好。

建議同時說明受眾、輸出語言、發布平台、預計長度、要加入的角度，以及哪些事實必須特別核對。

接著，Agent 會自行準備專案目錄、下載來源媒體、擷取 MP3、呼叫 Whisper、讀取轉寫稿，並寫出新的口播腳本。

人可以在 Agent Session 裡看到執行過程，不必守著多個工具，在每一步結束後手動搬檔案。

第四步：分別審核四類檔案

可靠的內容工作流，應該把來源依據和重新創作分開保存。

Skill 預設保留四類結果：

• 來源影片：保留視覺脈絡，隨時回到原始畫面。
• MP3 音訊：方便重聽發音、語氣和前後語境。
• Whisper 轉寫稿：提供可搜尋的文字依據，用來定位觀點、人名與數字。
• 口播腳本：提供開場、內容推進、完整口播與標題選項，方便繼續修改。

不要把它們合併成一個檔案。轉寫稿是來源證據，口播稿是重新組織後的解釋。兩者都保留，查錯與改稿才有依據。

Whisper 轉寫稿不等於可發布的腳本

Whisper 解決的是語音辨識。它不會替你判斷某個觀點是否可靠、讀者需要什麼背景，或你應該加入什麼原創判斷。

逐字稿通常包含重複、停頓、口頭填充詞和辨識錯誤。人名、數字、產品名稱與引言必須回到來源影片核對。真正能錄製的腳本還需要新結構：為什麼觀眾要聽下去、哪些內容可以壓縮、哪些背景必須補充，以及最後的結論是否屬於你。

發布或錄製前，至少檢查：

• 人名、數字與專有名詞是否正確
• 是否保留原作者的真實意思
• 哪些表達仍過於接近原影片
• 哪些事實需要第二個來源佐證
• 你增加了什麼經驗、判斷或解釋
• 開場與長度是否適合目標平台

Agent 接手重複執行，人仍然對版權、準確性、取捨與最終表達負責。

哪些情境最適合這條工作流

當影片是長期內容來源，而不是偶爾處理一次時，這個 Skill 最有價值：

• 把產品示範整理成短影音腳本
• 把訪談變成可搜尋的研究材料
• 從 Webinar 或演講中擷取方法
• 根據公開發布會準備評論內容
• 在取得授權後，把影片在地化給另一類受眾
• 建立可搜尋的影片逐字稿資料庫

如果影片需要登入、禁止下載、音質差到無法可靠辨識，或你沒有相應使用權，Agent 應該停止，請你提供有權處理的檔案或更換來源。

從一次成功執行，變成可重複的內容系統

第一層收益是快：一個 URL 變成有組織的來源材料和可編輯腳本。

更重要的是連續性。來源影片、轉寫稿、模板與腳本可以留在 Agent 的同一個專案裡，審核記錄也不會散落。下一次再處理影片，不必重新拼接工具與指令。

這就是「讓 AI 回答一次」和「管理一條 Agent 工作流」的差別。穩定步驟交給機器執行，重要判斷留給對結果負責的人。

常見問題

Buda 能自動把 YouTube 影片變成口播稿嗎？

可以。安裝 buda-youtube-to-script 後，Buda Agent 可以下載受支援的影片、擷取音訊、用 Whisper 轉寫，再根據模板產生口播稿。發布前仍需人工檢查版權、事實與原創性。

這個 Skill 只能處理 YouTube 嗎？

它面向 YouTube 與下載程式支援的其他影片 URL。登入、地區限制、私密影片與下載保護可能導致處理失敗。

Skill 會產生哪些檔案？

預設保留來源影片、MP3 音訊、Whisper 轉寫稿與最終口播腳本。

可以產生繁體中文或其他語言嗎？

可以。預設輸出英文，但可以在指令中指定其他語言。人名、術語與在地化表達仍需人工審核。

Whisper 逐字稿可以直接發布嗎？

不可以。逐字稿只是辨識出的語音。可發布腳本還需要事實查核、內容取捨、重新組織、原創判斷與版權檢查。

打開 Buda AI Marketplace，搜尋 buda-youtube-to-script，把它安裝到自己的 Agent。傳送影片 URL 時，同時說明受眾、角度、語言與長度，再把來源內容和新腳本放在一起審核後開始錄製。