播客章节工具 - 免费版

概述

播客章节工具(免费版)帮助个人创作者从音频或文字稿生成章节标记、高光片段建议与节目笔记草稿。支持中文与英文内容,隐私优先,仅生成草稿不执行发布操作. 免费版聚焦单文件章节生成,专业版(podcast-chaptering-tool-pro)在此基础上提供批量处理、社媒切片文案、多格式输出与 API 集成等高级能力.

核心能力

能力	免费版	说明
章节标记	支持	时间戳 + 标题
高光片段	支持	时间定位 + 描述
节目笔记	支持	草稿生成
音频输入	支持	需配合转录工具
文字稿输入	支持	直接处理文本
语言支持	中文/英文	自动检测
隐私模式	支持	仅分析不发布
批量处理	不支持	升级专业版
社媒文案	不支持	升级专业版
API 集成	不支持	升级专业版
技术实现要点：核心能力基于input_params参数与output_format配置实现,支持创建/查询/修改/删除等操作模式,通过config_options进行运行时配置.

核心功能执行

用input_params参数进行配置.

处理: 解析核心功能执行的输入参数,完成核心逻辑,返回结构化响应. 输出: 返回核心功能执行的响应数据,包含状态码、结果和日志.

• 执行此能力时使用input_params参数,支持创建/查询/导出操作

参数配置与调用

用config_options参数进行配置.

处理: 解析参数配置与调用的输入参数,完成核心逻辑,返回结构化响应. 输出: 返回参数配置与调用的响应数据,包含状态码、结果和日志.

• 执行此能力时使用config_options参数,支持修改/重置/导入操作

结果处理与输出

用output_format参数进行配置.

处理: 解析结果处理与输出的输入参数,完成核心逻辑,返回结构化响应. 输出: 返回结果处理与输出的响应数据,包含状态码、结果和日志.

• 执行此能力时使用output_format参数,支持导出/保存/转换操作 能力覆盖范围：本skill的核心能力覆盖以下场景关键词：从播客音频或文字、稿生成章节标记与、高光片段建议、适合个人创作者快、速制作节目笔记、面向个人创作者的、播客章节标记工具、从音频或文字稿生、成章节标记、高光片段建议与时、Show、Notes、支持中文与英文内、基础隐私保护等。这些关键词对应description中声明的使用场景,均已在上述能力点中提供对应的操作支持.

使用场景

场景一:从文字稿生成章节

已有节目文字稿,快速生成章节标记.

def generate_chapters(transcript, min_chapter_length=120):
    """从文字稿生成章节标记
# ...
    Args:
        transcript: 带时间戳的文字稿(Whisper JSON 格式)
        min_chapter_length: 最小章节时长(秒)
    """
    chapters = []
    current_chapter = {"start": 0, "title": "开场", "segments": []}
# ...
    for segment in transcript["segments"]:
        # 基于话题转换检测章节边界
        text = segment["text"]
        start = segment["start"]
# ...
        # 简单规则:检测转换词
        transitions = ["接下来", "那么", "另外一个", "说到这里", "让我们"]
        if any(t in text for t in transitions):
            if start - current_chapter["start"] >= min_chapter_length:
                chapters.append(current_chapter)
                current_chapter = {
                    "start": start,
                    "title": text[:20] + "...",
                    "segments": [segment]
                }
                continue
# ...
        current_chapter["segments"].append(segment)
# ...
    chapters.append(current_chapter)
# ...
    # 格式化输出
    for ch in chapters:
        mins, secs = divmod(int(ch["start"]), 60)
        print(f"{mins:02d}:{secs:02d} - {ch['title']}")
# ...
    return chapters
# ...
# 示例
import json
with open("transcript.json", "r", encoding="utf-8") as f:
    transcript = json.load(f)
# ...
chapters = generate_chapters(transcript)

场景二:高光片段提取

从文字稿中识别值得切片的高光片段.

def extract_highlights(transcript, num_highlights=5):
    """提取高光片段建议"""
    highlights = []
    segments = transcript["segments"]
# ...
    # 启发式规则:较长且含关键词的片段
    keywords = ["最重要", "关键", "有趣", "发现", "建议", "经验", "教训"]
# ...
    scored = []
    for seg in segments:
        score = 0
        text = seg["text"]
        score += len(text) * 0.1  # 长度加分
        score += sum(2 for k in keywords if k in text)  # 关键词加分
        scored.append((seg, score))
# ...
    # 取评分最高的 N 个
    top = sorted(scored, key=lambda x: x[1], reverse=True)[:num_highlights]
    top.sort(key=lambda x: x[0]["start"])  # 按时间排序
# ...
    for seg, score in top:
        start = seg["start"]
        end = seg.get("end", start + 30)
        mins_s, secs_s = divmod(int(start), 60)
        mins_e, secs_e = divmod(int(end), 60)
        print(f"[{mins_s:02d}:{secs_s:02d} - {mins_e:02d}:{secs_e:02d}] {seg['text'][:50]}...")
# ...
    return top
# ...
highlights = extract_highlights(transcript)

场景三:节目笔记草稿

生成包含时间轴的 Show Notes 草稿.

# 生成节目笔记模板
cat > show-notes-draft.md << 'EOF'
# 第 042 期:AI 工具实战分享
# ...
## 节目信息
- 时长:38 分钟
- 形式:嘉宾访谈
- 嘉宾:张三(独立开发者)
# ...
## 内容简介
本期邀请独立开发者张三,分享 AI 工具在日常开发中的实战经验,涵盖代码生成、文档自动化与测试辅助等场景.
# ...
## 章节时间轴
- 00:00 开场与嘉宾介绍
- 03:15 AI 工具使用现状
- 08:30 代码生成工具对比
- 15:20 文档自动化实践
- 22:45 测试辅助与质量提升
- 28:10 踩过的坑与教训
- 34:00 总结与建议
- 36:30 下期预告
# ...
## 高光片段
- [08:30] 三款代码生成工具深度对比
- [15:20] 文档自动化让效率提升 3 倍
- [28:10] 最昂贵的踩坑经历
# ...
## 相关链接
- 嘉宾作品: github.com/guest-ai/codegen-bench
- 提到的工具: Cursor、GitHub Copilot、Windsurf、Mintlify
# ...
## 互动
- 你最常用的 AI 工具是什么?评论区告诉我
EOF

快速开始

1. 阅读## 核心能力章节了解skill功能
2. 按## 依赖说明配置环境
3. 执行所需能力对应的命令
4. 参考## 错误处理章节处理异常
5. 查看## FAQ解答常见疑问

1. 准备输入

# 方式一:已有文字稿(Whisper JSON 格式)
whisper audio.mp3 --model small --output_format json --output_dir .
# ...
# 方式二:直接提供文本(需手动标注时间)
# 手动编写带时间戳的文字稿

2. 生成章节

# 使用 Agent 自然语言指令
# "请根据 transcript.json 生成章节标记,每段至少 2 分钟,输出 Markdown 格式"

3. 输出格式

具体操作方式与参数说明请参考下方示例代码.
## 章节标记(MM:SS 格式)
# ...
00:00 - 开场介绍
03:15 - 话题引入
08:30 - 核心讨论一
15:20 - 核心讨论二
22:45 - 案例分享
28:10 - 经验总结
34:00 - 结尾与呼吁

配置示例

输入格式要求

{
  "text": "完整文字稿...",
  "segments": [
    {
      "start": 0.0,
      "end": 5.2,
      "text": "开场白内容"
    },
    {
      "start": 5.2,
      "end": 12.5,
      "text": "下一段内容"
    }
  ]
}

章节生成参数

参数	默认值	说明
最小章节时长	120 秒	避免过短章节
时间戳格式	MM:SS	短节目用;长节目用 HH:MM:SS
高光数量	5	建议提取的高光片段数
语言	自动检测	可指定 zh 或 en

最佳实践

1. 章节划分原则

   • 按话题转换划分,而非固定时长
   • 每章至少 2 分钟,避免碎片化
   • 标题简洁描述(10-15 字)
   • 首章包含开场,末章包含结尾

2. 高光片段选择

   • 聚焦最有传播价值的 30-60 秒
   • 优先选择:金句、故事、反常识观点
   • 每期 3-5 个,不宜过多
   • 配合文字摘要便于社媒发布

3. 隐私与安全

   • 音频内容视为私有,除非明确说明
   • 不在原始音频外分享
   • 仅生成草稿,不执行发布
   • 敏感内容需人工审核

4. 与转录工具配合

   • 使用 Whisper 生成带时间戳的文字稿
   • 章节工具基于文字稿分析
   • 转录质量直接影响章节质量
   • 建议使用 small 或以上模型转录

常见问题

Q1: 章节标记的准确度如何?

准确度取决于文字稿质量与话题转换的清晰度。启发式规则可识别约 70-80% 的章节边界,建议人工校对。清晰的结构化对话(如访谈)效果最佳.

Q2: 音频质量差怎么办?

音频质量差会影响转录,进而影响章节生成。建议:

• 预处理降噪
• 使用更大模型转录
• 人工补充关键时间戳

Q3: 免费版与专业版的区别?

免费版处理单文件,手动触发;专业版支持批量处理、社媒文案生成、多格式输出与 API 集成。需要高吞吐或自动化的场景建议升级.

Q4: 是否支持视频播客?

支持。视频播客先提取音频,转录后生成章节。章节标记可导入 YouTube 视频描述.

Q5: 生成的内容是否会自动发布?

不会。免费版遵循"仅草稿"原则,所有生成内容需人工审核后手动发布.

依赖说明

运行环境

• Agent 平台: 支持SKILL.md的任意AI Agent(Claude Code / Cursor / Codex / Gemini CLI等)
• 操作系统: Windows / macOS / Linux

依赖详情

依赖项	类型	是否必需	获取方式
Whisper(可选)	Python 库	推荐(音频输入)	pip install openai-whisper
Python 3.9+	运行时	可选(脚本)	python.org 下载
Markdown 编辑器	工具	推荐	VS Code / Obsidian
LLM API	API	必需	由Agent内置LLM提供

API Key 配置

• 核心 Markdown 流程无需 API Key
• 若使用 Whisper 转录音频,无需 API Key(本地运行)
• 若使用 OpenAI 转录 API,需配置 OPENAI_API_KEY

可用性分类

• 分类: MD+EXEC(纯Markdown指令,部分功能需exec命令行执行)
• 说明: 基于Markdown的AI Skill,通过自然语言指令驱动Agent完成操作。免费版聚焦单文件章节生成,隐私优先,适合个人创作者快速制作节目笔记.

错误处理

错误场景	原因	处理方式
配置错误	参数缺失或格式错误	检查依赖说明中的配置要求
运行时错误	运行环境不满足	确认运行环境符合依赖说明
网络错误	连接超时或不可达	执行ping命令测试网络连通性,检查防火墙和代理设置连接后执行ping命令测试网络连通性,检查防火墙和代理设置连接后重新执行命令，参考国内替代方案

已知限制

• 需LLM支持,无LLM环境不可用
• 复杂业务场景建议结合人工经验判断
• 执行效率受模型能力与网络环境影响

示例

基本用法

输出：返回执行结果,包含操作状态和输出数据

用户: 执行核心功能
Skill: 正在执行核心功能...
Skill: 执行完成,结果如下: 操作成功

输出格式

{
  "success": true,
  "data": {
    "result": "播客章节工具免费版处理结果",
    "execution_time": "0.5s",
    "metadata": {
      "version": "1.0",
      "processor": "podcast chaptering"
    }
  },
  "execution_log": ["解析输入参数", "执行核心处理", "格式化输出结果"],
  "error": null
}