上次在那篇文章的後記才提到，想用 Groq 的 API 取代 Mac Whisper 手動轉逐字稿的步驟，原本打算「之後再說」——但當天晚上就忍不住動手了。
在做這個優化的過程中，我深刻感受到一件事：對開發者來說，CLI 搭配 AI，才是真正的王道。
前言
這篇文章介紹的是一個思路，一個跑在 Claude Code 上的自動化 skill。
使用方式很簡單：貼上 YouTube 網址，它會自動幫你下載影片、語音轉錄、整理逐字稿、擷取關鍵截圖，最後產出一份可以直接匯入 Obsidian 的完整筆記。整個流程不需要任何人工介入。
它能做什麼？
貼上一個（或多個）YouTube 網址，這個 skill 會自動：
- 下載影片（最高 1080p）
- 用 Groq Whisper API 做語音辨識轉錄
- 整理成人類可讀的繁體中文逐字稿
- 萃取重點摘要（條列格式，快速可掃讀）
- 分析關鍵時間點，用 ffmpeg 擷取對應畫面截圖
- 用感知雜湊（perceptual hashing）去除重複截圖
- 將摘要、逐字稿、截圖整合成 Obsidian Markdown 筆記
事前準備
# 安裝必要工具
brew install ffmpeg czkawka
pip install yt-dlp # 或 brew install yt-dlp
# 設定 Groq API 金鑰
export GROQ_API_KEY=<your_key>
Groq 提供的 whisper-large-v3-turbo 轉錄速度非常快，一小時的影片通常不到一分鐘就能完成。我實測轉了好幾個小時的音檔，花費也不到 1 美金，換回來的時間非常划算。
技術細節：為什麼這樣設計？
音訊壓縮策略
影片轉成 MP3 時使用 16kHz 取樣率、單聲道、32kbps 位元率：
ffmpeg -i video.mp4 -ar 16000 -ac 1 -map 0:a -b:a 32k output.mp3
這個設定讓一小時的影片壓縮到約 14.4MB，遠低於 Groq 的 25MB 上傳限制，同時對語音辨識精度幾乎沒有影響。
逐字稿整理哲學：拼圖組裝
整理逐字稿時，我設計了一個「拼圖組裝」原則：
你是技術編輯，不是內容創作者。每個原文詞彙都是拼圖，只能組合，不能替換。
具體來說，這意味著：
- 保留講者原有用語，不用同義詞替換
- 只修正明顯錯字
- 簡體字轉換為繁體中文
- 依語意分段加標題，重要名詞加粗
截圖時間點判斷邏輯
系統會從 Groq 回傳的 segments[] 時間戳中，分析以下信號來決定截圖時機：
- 字幕出現指示詞：「這裡」、「這邊」、「看到」、「按」等
- 段落切換的開頭（主題轉換點）
- 講者強調具體數字或列舉（暗示畫面有圖表）
相鄰兩個截圖點至少間隔 20 秒，避免產生過多重複畫面。
截圖去重：感知雜湊
擷取完截圖後，czkawka 會用感知雜湊（perceptual hashing）比對所有圖片：
czkawka_cli image \
--directories "screenshots/<BASENAME>" \
--max-difference 30 \
--delete-method "AEB" # All Except Biggest
--max-difference 30 是積極模式，特別適合教學影片中大量重複的投影片背景。同群組中保留最大的那張（通常資訊量最豐富），刪除其餘。
多影片並行處理
一次輸入多個 URL 時，系統分兩個階段並行執行：
Phase 1（I/O 密集，bash 並行）：所有影片同時下載、轉 MP3、呼叫 Groq API。
process_url_io "$URL_1" 1 &
process_url_io "$URL_2" 2 &
wait
Phase 2（LLM 密集，最多 5 個子 Agent 同時執行）：每個影片各啟動一個獨立的 general-purpose subagent，同步執行逐字稿整理、摘要、截圖、Obsidian 筆記的生成。
第一批（5 個）→ 全部完成 → 第二批（剩餘）→ 完成
這種設計讓 5 個影片的處理時間近似於 1 個影片，而非 5 倍。
Obsidian 筆記結構
最終產出的 Obsidian 筆記結構如下：
---
tags: [video-notes]
source: <YouTube URL>
date: YYYY-MM-DD
---
# 影片標題
> 一句話總結這部影片的核心內容
---
## 重點摘要
- 重點一
- 重點二
...
---
## 完整逐字稿（含截圖）
[00:00:00] 開場白...
![[screenshots/<BASENAME>/<BASENAME>_02m30s_操作示範.jpg]]
[00:02:30] 接著講師示範...
截圖用 Obsidian 的 wiki-link 語法嵌入（![[...]]），圖文依時間順序緊密對應。
小結
這個 skill 把「看影片 → 整理筆記」這個過程完全自動化。它的設計重點在於：
- 忠實保留原文：逐字稿不改寫，只組裝
- 視覺資訊不遺漏：自動分析截圖時機，去除重複畫面
- 可直接使用：產出的 Obsidian 筆記開箱即用，不需二次編輯
- 批次效率：多影片並行處理，時間成本近乎恆定
心得
這是我第一個認真寫完的 skill，也是目前用得最頻繁的一個。
以前看完影片，筆記要嘛沒做，要嘛做了也太粗糙，過幾天就忘得差不多。現在只要貼上網址，幾分鐘後就有一份圖文並茂的完整記錄，可以直接存進 Obsidian，日後查閱或交給 AI 做二次分析都很方便。
工具做得好，不只是省時間，而是真的改變了你的行為——讓你願意「記」下更多東西。
所以又回到最開頭說的：對開發者來說，能用 CLI 操作的工具，搭配 AI 之後，威力是成倍的。這個 skill 是一個很小的例子，但它讓我更相信這個方向。