YouTube 影片 AI 摘要怎麼驗證？叫 Claude 附原句，32 條全對回字幕

懶人包

• 我把「英文 YouTube 副業影片 → 繁中可執行步驟」做成一支 87 行的 Python：抓字幕、交給 claude -p 拆步驟、每條步驟逐條對回原字幕。
• 關鍵設計是要求 AI 每條步驟都附一段逐字照抄的英文原句和秒數，程式再到該秒數前後 90 秒的字幕裡找這句話。
• Starter Story、Noah Kagan、Justin Welsh、Brett Malinowski 四支影片共 32 條步驟，32 條全部對得回原字幕。
• 反向測試 4 組：真引文通過；捏造句（0.13）、改寫句（0.30）、真引文配錯秒數（0.16）三組都被擋下，門檻 0.6。
• 它能證明「這句話影片裡真的有、而且在那個時間點」，證明不了繁中翻譯準不準，也證明不了影片裡的營收數字是真的。

Threads 上 @inxtool（臺大玩AI）有一篇貼文，建議做副業的人直接去 YouTube 看一手案例，點名 Starter Story、Noah Kagan、Justin Welsh、Brett Malinowski 四個人；英文有門檻的話，用沉浸式翻譯對照看，再用 Glasp 這類工具抓時間戳、畫線存下操作步驟。我截圖時這篇有 89 讚、152 次分享。

「翻譯加抓重點」這一段，我想交給 AI 自動做。AI 摘要影片的速度沒問題，我要處理的是另一件事：摘要裡每一條步驟，我要能一秒鐘找回影片裡的出處，而且這個比對由程式做，不靠我回去重看。

成果頁在 html.yanchen.app/yt-side-hustle-playbook，下面是它怎麼做的。

這套流程長什麼樣子？

四個步驟，兩支檔案：playbook.py（87 行）負責抓字幕、呼叫 Claude、驗證；render.py（102 行）把結果轉成一頁 HTML。用到的版本：

四個頻道實際在哪？

動手前我先用 yt-dlp 把四個頻道查了一遍，有兩個跟貼文的寫法對不太上：

怎麼抓 YouTube 字幕？

我先試 yt-dlp，抓字幕被 YouTube 回 429。換成 youtube-transcript-api 就抓得到，四支影片都有英文字幕：

pip install youtube-transcript-api==1.2.2

from youtube_transcript_api import YouTubeTranscriptApi

def fetch_transcript(video_id: str) -> list[dict]:
    snippets = YouTubeTranscriptApi().fetch(video_id, languages=["en"])
    return [{"start": s.start, "text": s.text.replace("\n", " ")} for s in snippets]

每行字幕帶一個 start 秒數。餵給 Claude 時我把它攤成 [142] I offer a few free lessons up 這種格式，讓模型看得到每句話的時間點。

怎麼讓 Claude 輸出可以驗證的步驟？

prompt 的重點只有兩條：只能根據逐字稿，以及每條步驟都要附原文。JSON 格式裡的 steps 長這樣：

"steps": [{"t": 秒數整數,
           "action": "繁中可執行動作（動詞開頭）",
           "quote": "逐字稿原文英文片段，6~20 個字，必須逐字照抄同一行或相鄰行"}]

action 是給人看的繁中步驟，quote 是給程式驗的證據。限制 6～20 個字是為了讓引文短到能落在相鄰幾行字幕內，又長到不會隨便撞到別的句子。

呼叫方式是把逐字稿從 stdin 丟進 claude -p：

proc = subprocess.run(
    ["claude", "-p", PROMPT, "--output-format", "text"],
    input=body, capture_output=True, text=True, encoding="utf-8", timeout=600,
)

同一個 JSON 裡我還要了 numbers（影片講到的營收、成本，各附秒數）和 caveats（照抄前要想清楚的前提）。

怎麼用程式驗證 AI 給的原句？

驗證函式不到 20 行：

WINDOW_SEC = 90
MATCH_THRESHOLD = 0.6

def norm(s: str) -> str:
    return re.sub(r"[^a-z0-9 ]", "", s.lower())

def verify_step(step: dict, lines: list[dict]) -> dict:
    quote = norm(step.get("quote", ""))
    best, best_t = 0.0, None
    nearby = [i for i, l in enumerate(lines) if abs(l["start"] - step["t"]) <= WINDOW_SEC]
    for i in nearby:
        chunk = norm(" ".join(l["text"] for l in lines[i:i + 3]))
        if quote in chunk:
            return {"verified": True, "score": 1.0, "matched_t": int(lines[i]["start"])}
        m = SequenceMatcher(None, quote, chunk).find_longest_match(0, len(quote), 0, len(chunk))
        score = m.size / max(len(quote), 1)
        if score > best:
            best, best_t = score, int(lines[i]["start"])
    return {"verified": best >= MATCH_THRESHOLD, "score": round(best, 2), "matched_t": best_t}

三個設計決定：

• 相鄰 3 行串起來比。YouTube 自動字幕常把一句話切在兩三行，I offer a few free lessons up 和 front and then had a hard paywall 就是分開的兩行。
• 只在 ±90 秒內找。這樣引文本身是真的、但秒數標錯的情況也會被擋，時間戳才有意義。
• 分數 = 最長共同片段 ÷ 引文長度。去掉標點和大小寫後整句包含就給 1.0；否則看最長連續相同的字元有多長，0.6 以上算通過。

四支影片跑出來的結果

python playbook.py pwvnH9S4j60 9Rcbt6Ydk0U ZkwYxYfkfYU E0WGLoVtNE4
python render.py

pwvnH9S4j60: 457 行字幕, 8 步, 對字幕驗證通過 8/8
9Rcbt6Ydk0U: 438 行字幕, 8 步, 對字幕驗證通過 8/8
ZkwYxYfkfYU: 1234 行字幕, 8 步, 對字幕驗證通過 8/8
E0WGLoVtNE4: 372 行字幕, 8 步, 對字幕驗證通過 8/8
site/index.html: 4 張卡, 32/32 驗證通過, 23493 bytes

第一支從抓字幕到驗證完花了 57 秒。拆出來的步驟長這樣（節錄，分數都是 1.0）：

驗證器擋得住什麼？

32/32 只證明 AI 這次沒亂編，證明不了驗證器真的會擋。所以我拿 Starter Story 那支的字幕，手動餵四組輸入給 verify_step：

字幕比對證明不了什麼？

這個驗證只回答一個問題：AI 附的那句英文，影片裡在那個時間點真的有人說過。以下三件事它管不到：

1. 繁中 action 有沒有翻過頭。原句是真的，但 AI 寫的繁中步驟可以比原句多講一點。卡片上原句跟步驟並排，就是為了讓人一眼對照。
2. 影片裡的數字是不是真的。月營收、年收入都是當事人自述，字幕比對只能證明他有這樣說。
3. 這套做法換一個人還有沒有效。這部分我交給 caveats 欄位，每張卡都附幾條「照抄前先想清楚」。

• Brett 那支：影片結束時第一個客戶還是免費試用，1,500 美元月費還沒收到。
• Justin Welsh 那支：他自己說 2018 年選 LinkedIn 時那裡還很少人寫長文，算是搭上時機。
• Starter Story 那支：網站是五、六年前做的，主持人也提到這幾年 web app 圈變化很大。

跟 Glasp 手動畫線怎麼選？

Glasp 是瀏覽器擴充，在 YouTube 旁邊顯示逐字稿，畫線就存下時間戳。兩種做法解的是不同的事：