用 Whisper 自己转写播客:从音频到摘要
DIY 路线:抓音频跑 Whisper,再切块逐段摘要。命令和坑都在这里。
指南5 min read
播客大多很长,而我们多半在路上听。AI 可以把一期节目的音频变成几句关键点摘要,听之前先知道里面讲了什么,再决定值不值得花一小时。
一句话概括
拿到音频,用 Whisper 转写,把文本切成模型能读的块,逐块摘要,再拼起来。嫌麻烦就让 Podwise 全包了。
手动版,六步
1. 找到播客的 RSS
几乎每个播客都有 RSS,一般在节目页面上能找到。如果节目上了 Apple Podcasts,用 iTunes Search API 按名字搜,能直接返回订阅源地址:
curl "https://itunes.apple.com/search?media=podcast&term=lex+fridman"在返回的结果里找 feedUrl。
2. 读订阅源,选一期
抓下订阅源,找到想要的那期,从 enclosure 标签里复制音频链接。用 Go 的话,gofeed 这个库能搞定解析:
feed, _ := gofeed.NewParser().ParseURL(feedURL)
for _, item := range feed.Items {
fmt.Println(item.Title, item.Enclosures[0].URL)
}3. 下载音频并转写
用开源的 Whisper 把音频转成文字。给它一句该节目风格的提示词;不给的话,它可能吞掉标点,或者把没见过的人名写错。转写质量决定摘要质量,这是地基。
whisper episode.mp3 --model medium --initial_prompt "Welcome to the show."4. 切分转写文本
整期转写比模型的上下文窗口还长,连 GPT-4 的 32k 也一样,所以必须切块。按字数硬切会把句子拦腰斩断。下面两种切法更好:
- 按时间切。 每几分钟音频切一块,比如每三分钟。
- 按说话人切。 对话节目里,把每个人的发言轮次放在一起。
5. 逐块摘要
把切好的块一块一块发给 ChatGPT,每块要一份摘要。
6. 拼起来
把各块摘要合成整期的章节和大纲。能跑通,但是慢,而且每期效果不太一样。
Podwise 版,三步
- 在 Podwise 里搜到这期节目。
- 点 AI Process(处理),等它跑完。
- 喝杯咖啡,摘要、章节和转写文本都已经在旁边等你了,戴上耳机慢慢听。
原载于英文博客。


