這是「AI 助理實戰」系列第 2 篇，講我怎麼把一支 YouTube 影片，在幾分鐘內變成一份繁體中文報告。適合常看教學或演講影片、想留下重點卻沒時間整理的人。還沒決定用哪種 AI 助理，先看第 1 篇；報告裡的名字和數字怎麼查，看第 3 篇。
先說結論
一支 30 分鐘的影片，自己看完、寫摘要、整理重點，大概要一到兩個小時。我現在讓電腦先把影片變成文字，再請 AI 照一份固定格式寫報告：
| 情況 | 做法 | 大約多久 |
|---|---|---|
| 一支影片，有字幕 | 抓字幕，交給 AI 寫報告 | 2～4 分鐘 |
| 一支影片，沒字幕 | 抓音檔，在自己電腦上轉成文字，再交給 AI | 3～5 分鐘 |
| 好幾支要一起比較，或想留著之後再問 | 丟進 NotebookLM | 5～15 分鐘 |
時間是我在 Mac 上的經驗值，會隨片長、網路和電腦不同。
先認識幾個工具
| 名詞 | 白話解釋 |
|---|---|
| 字幕檔 | 影片附的一份文字檔，記著每句話在第幾分第幾秒出現。YouTube 很多影片有自動產生的字幕 |
| 語音轉文字 | 讓電腦聽錄音、打成文字 |
| Whisper | OpenAI 公開的語音轉文字模型，可以裝在自己電腦上跑，錄音不用上傳 |
| mlx-whisper | 讓 Whisper 在 Apple Silicon 上跑得快的版本。Apple Silicon 是 Apple 自家的 M 系列晶片，例如 M1、M2 |
| yt-dlp | 免費的開源小工具，在終端機打一行指令，就能抓下影片的字幕、音檔和標題、頻道、片長這些資訊 |
| LLM | 大型語言模型，就是 ChatGPT、Claude 這類會讀也會寫的 AI |
| NotebookLM | Google 的 AI 研究筆記本。你放進網頁、文件、YouTube 連結，它只根據這些資料回答、寫報告 |
終端機（Terminal）是 Mac 內建的程式，用打字下指令的地方。工具裝好以後（安裝方式看文末各工具的官方頁面），下面的指令把 <影片網址> 換成真的網址就能跑。網址要用雙引號包起來，因為 Mac 的終端機看到網址裡的 ? 會出錯。也可以請 AI 代理（例如 Claude Code）幫你下指令，你看它做了什麼就好。
步驟一：先試字幕
字幕最快。yt-dlp 可以只抓字幕、不下載影片：
yt-dlp --skip-download --write-auto-sub --sub-lang "zh-Hant,zh,en" <影片網址>--skip-download 是不下載影片本身；--write-auto-sub 是連自動字幕也抓；--sub-lang 是語言的先後順序：繁中、中文、英文。
先講一個坑。我從 2026 年 8 月起常遇到 YouTube 擋這類工具抓字幕，而 yt-dlp 被擋時不一定報錯，有時只說「沒有字幕」，影片其實有。所以抓不到字幕，不用花時間查原因，直接走步驟二。
步驟二：沒字幕，就自己轉文字
先抓音檔：
yt-dlp -f "bestaudio/best" --extractor-args "youtube:player_client=<client>" -x --audio-format mp3 -o "/tmp/aud.%(ext)s" <影片網址>-x --audio-format mp3 是只留聲音、存成 mp3，需要另外裝影音處理工具 ffmpeg。<client> 要換成一個詞，見下一段。
player_client 會過期，以實測為準
player_client 是告訴 yt-dlp「假裝成哪一種 YouTube 程式去抓」，例如手機 App 或網頁版。YouTube 會擋其中幾種，而被擋的是哪幾種，過幾週就換。我的實測紀錄：
| 實測日 | 能用的 | 當時不能用的（舉例） |
|---|---|---|
| 2026-07-05 | android | 預設值 |
| 2026-08-15 | android_vr | android |
| 2026-08-30 早上 | mweb | android、ios |
| 2026-08-30 晚上 | web_embedded | mweb |
| 2026-09-07 | android | web_embedded、mweb |
同一天早晚就換了一輪，所以我不背固定答案：先用最近一次能用的，不行就換下一個。常見的候選有 android、web_embedded、mweb、android_vr、ios、tv，每個試一次約 5 秒。
試的時候要真的下載一次，確認檔案出現、大小合理。只看 yt-dlp 列不列得出格式不準，我遇過列得出來、真的下載卻被拒絕。
用 Whisper 在自己電腦轉文字
mlx_whisper /tmp/aud.mp3 --model mlx-community/whisper-large-v3-turbo --language zh --output-format txt--language 填影片的語言，中文 zh、英文 en；--model 是用哪個模型。第一次跑會先下載模型，要等一下。
我轉一支 16 分鐘的影片，大約 70 秒，比我原本以為的「跟影片一樣長」快很多。不是 Apple 晶片的電腦，可以用 faster-whisper 這類版本，但會慢不少。
步驟三：請 AI 照固定格式寫報告
先用 yt-dlp 抓影片的標題、頻道、片長、上傳日，這些以抓到的資訊為準，不要讓 AI 從逐字稿猜：
yt-dlp --skip-download --print '%(title)s|%(channel)s|%(duration)s|%(upload_date)s' <影片網址>接著把逐字稿和格式要求一起交給 AI。我覺得這一步最要緊的是每次用同一份格式：每份報告長得一樣，比較、回頭找都容易，AI 也比較不會自由發揮。我的報告固定 10 節：
| 節 | 寫什麼 |
|---|---|
| 1. 影片基本資訊 | 標題、頻道、發布日期、片長、講者、影片類型 |
| 2. 核心論點 | 100～200 字：講者最想說的一句話、為什麼、講給誰聽 |
| 3. 關鍵重點 | 8～16 條，每條附時間點，例如 [12:30] |
| 4. 重要數據與引言 | 數字 4～6 筆、原話 3～4 句，標明誰在第幾分說的 |
| 5. 推論與結論 | 講者的立場、預測、建議，可加一條「論證哪裡比較弱」 |
| 6. 適用情境 | 誰用得上、什麼時候用、什麼時候不適用 |
| 7. 延伸思考 | 3～5 個值得追問的問題 |
| 8. 來源摘要 | 影片連結、章節時間目錄 |
| 9. 全片逐段摘要 | 從 [00:00] 寫到結尾，每段一兩句，不能跳段 |
| 10. 查證表 | 報告裡的人名、產品名、數字、日期，逐項查過的結果 |
第 9 節是後來加的。原本只有重點，讀完還是不知道整支影片的順序；加了逐段摘要，沒看影片的人也知道它從頭到尾講了什麼。第 3 節挑重點，第 9 節是地圖。
第 10 節也是後來加的。語音轉文字最常把產品名、人名聽錯，錯了讀起來還很通順，怎麼查寫在第 3 篇。
字數跟著片長走（第 1～8 節）：
| 片長 | 字數 |
|---|---|
| 10 分鐘以內 | 800～1,500 字 |
| 10～30 分鐘 | 1,500～2,500 字 |
| 30～60 分鐘 | 2,500～4,000 字 |
| 1～2 小時 | 4,000～6,000 字 |
| 2 小時以上 | 5,000～8,000 字 |
重點條數不隨片長增加，長影片是把每條寫深一點。訪談類常重複，可以寫短一點。
另外幾條規定：全文繁體中文，簡中影片也轉成繁體；英文名詞第一次出現寫成「英文（中文說明）」；英文原話下面接一行繁中翻譯；開頭不寫「以下是為您整理的報告」這種客套話。
你可以從這段開始改成自己的版本：
請根據下面的逐字稿，寫一份繁體中文報告，固定 10 節，標題依序是：
1. 影片基本資訊 2. 核心論點 3. 關鍵重點 4. 重要數據與引言 5. 推論與結論
6. 適用情境 7. 延伸思考 8. 來源摘要 9. 全片逐段摘要 10. 查證表
關鍵重點 8～16 條，每條附 [mm:ss] 時間點。
全片逐段摘要從 [00:00] 寫到結尾，不能跳段。
查證表欄位：項目、素材原文、查證結果、出處；列出所有人名、產品名、數字、日期。
英文名詞第一次出現寫成「英文（中文說明）」。資訊不足就寫「資訊不足」，不要硬掰。
（以下貼上影片資訊和逐字稿）AI 能上網，就請它把查證表查完；不能上網，就先列出來，自己查。
什麼時候改用 NotebookLM
| 情境 | 用哪個 |
|---|---|
| 一支影片，要快 | 字幕或 Whisper 這條路 |
| 好幾支影片要交叉比較，例如幾位講者對同一件事的看法 | NotebookLM |
| 想留著，之後還要繼續問 | NotebookLM |
NotebookLM 的好處是好幾個來源放在同一本筆記裡一起問。慢在雲端來回：建筆記本、加來源、等它處理、產生報告、下載，一支要 5～15 分鐘。
用之前要知道：
- 依 Google 的說明，它讀 YouTube 連結只吃字幕，只支援公開、有字幕的影片（自動字幕也算）。沒字幕的影片可以改上傳音檔，它會先轉成文字。這條我自己很少走，以實測為準。
- 我也用同一份 10 節格式請它寫，但它給的影片網址不可靠，我 2026 年 5 月測了 11 次，11 次都不對，每次都要手動換成正確網址。標題也常寫得很誇張，我會再請 AI 潤一次。
- 它不能上網查證，查證表要另外查。
常見狀況
| 狀況 | 原因 | 怎麼辦 |
|---|---|---|
| 說沒有字幕 | 被擋了，字幕其實在 | 直接抓音檔 |
| 說格式不能用、要 PO Token（YouTube 的一種驗證），或回 403（被拒絕） | 這個 player_client 被擋 | 換下一個 |
| 報「沒有這個選項」 | Mac 的終端機（zsh）把整串參數當成一個字 | 參數逐字寫出來，不要先塞進變數 |
| 報告裡的名字怪怪的 | 語音轉文字聽錯 | 查證表逐項查 |
錯誤訊息指的地方，不一定是出錯的地方。懷疑 yt-dlp 之前，先確認指令有沒有照你以為的樣子送出去。
版權提醒
報告是給自己學習、整理筆記用的。不要把整份報告、逐字稿或音檔公開貼出去，那等於把別人的作品整份轉載。想分享，就寫自己的心得，少量引用原話並附上影片連結。下載前也請留意 YouTube 的使用條款。
參考資料
- yt-dlp：https://github.com/yt-dlp/yt-dlp
- OpenAI Whisper：https://github.com/openai/whisper
- mlx-whisper：https://pypi.org/project/mlx-whisper/（程式碼在 https://github.com/ml-explore/mlx-examples）
- 模型 whisper-large-v3-turbo（MLX 版）：https://huggingface.co/mlx-community/whisper-large-v3-turbo
- faster-whisper：https://github.com/SYSTRAN/faster-whisper
- FFmpeg：https://ffmpeg.org/
- NotebookLM：https://notebooklm.google.com/
- NotebookLM 說明〈新增來源〉，YouTube 與音訊檔的限制：https://support.google.com/notebooklm/answer/16215270