Podcast 同 YouTube 轉錄：由音檔到可搜尋文稿嘅六步

一條 60 分鐘嘅廣東話節目，轉出文字大約要兩分鐘。

但由「有文字」到「可以出街」，通常要另外兩三個鐘。

差距唔在引擎，在四個交付物之間嘅工序：逐字稿係原料，可讀稿係網站內容，字幕係另一種格式，show notes 係搜尋入口。

四樣嘢由同一條音檔生出嚟，但唔可以同一份稿交四次。

本文講六步流程，每一步講清楚邊部分可以交畀機器、邊部分一定要人手。

重點摘要

• 一集節目要出四樣嘢：內部逐字稿、網站可讀稿、平台字幕、show notes。四樣嘅讀者唔同，唔可以互換。
• 60 分鐘以上嘅節目唔應該切碎上載，用 audio_url 路線（200MB／4 小時）一次過提交，失敗只需要重跑一次。
• 轉寫前先落詞表：嘉賓全名、公司名、節目固定用語、英文術語，50 個位要分配好。
• 可讀稿唔係「全部改書面語」。口語字保留，刪嘅係口頭禪同重複，唔係語氣。
• 我哋嘅輸出只有 json／text，冇 SRT。要字幕就要另做對齊，呢步唔可以省。
• 成本：60 分鐘一集 HK$0.80，一季 12 集約 HK$9.60。

一集節目，四個讀者

先分清四樣嘢，後面嘅工序才排得順。

逐字稿 係指「照住音頻逐句錄低，唔整理」；可讀稿 係指「刪走填充、補好標點，可以喺網站直接讀」嘅版本。兩者唔係同一份嘢。

四樣都由同一條音檔開始。分別在「之後點處理」。

【獨家觀察】大部分團隊只做第一樣，然後投訴「轉錄冇用」。冇用嘅唔係轉錄，係你交咗一份原料就當成品。

第一步：素材命名，五段式

批量做節目，最痛嘅唔係轉寫，係「邊份稿對邊條音」。

命名規則要寫死。建議五段：

2026-10-31-ep012-guestname-topic.opus

• 日期：排序用，唔好用「最終版」「最終版2」
• 集數：對應 RSS 排序
• 嘉賓：只用英文或拼音，避免空格同符號
• 主題：兩三個字，唔好寫長句

原始檔、發布檔、文稿用同一個前綴，只換副檔名。咁樣任何一步出錯，你都找得返源頭。

例如你收到嘉賓自己錄嘅 track，命名做 2026-10-31-ep012-guestname-raw.wav；你混音後嘅發布檔係 …-master.mp3；轉寫用 …-master.opus。

三個檔同一個骨幹，唔會認錯。

第二步：上載路線，長節目唔好切碎

我哋有兩條進場路線：

• 直接上載檔案：上限 4.5MB。16kHz 單聲道 Opus 大約等於 33 至 40 分鐘。
• 交一條 https 音檔網址：上限 200MB 或 4 小時，由系統代抓。

60 分鐘以上嘅節目，用第二條。

原因唔止係「過唔過上限」。切碎會帶來接駁位：每切一刀，就多一個可能斷句嘅位置。 podcast 嘅價值在語氣連貫，接駁位出錯最明顯。

用 audio_url 一次過提交，取捨係你要有一個公開可讀嘅 URL。私有素材要出短有效期簽名連結，呢步要事先準備。

單檔 4 小時以內，一集 90 分鐘嘅長訪談都夠用。真係超過，才考慮分段，做法見 長會議錄音轉寫流程。

壓縮參數同實際長度換算，音檔壓縮指南 已有實測數字，本文唔重複。

第三步：轉寫前落詞表

詞表要喺提交之前設好，唔係事後改。

詞表 係指「一組事先指定嘅專名，用嚟偏推解碼結果」，唔係訓練模型，亦唔保證一定出。

原因很簡單：改錯字要人手逐個找，落詞表係一次性成本。

50 個位點分配，我建議咁分：

• 嘉賓同主持人全名：4 至 6 個（含英文名）
• 公司、品牌、機構：8 至 10 個
• 節目固定用語：3 至 5 個（例如節目名、單元名）
• 英文術語同產品名：10 至 15 個
• 香港地名、街道、屋邨：5 至 8 個
• 留 10 個位做臨時補充

每個詞 30 字元以內。超過就要縮，例如「香港科技大學工商管理學院」寫「科大商學院」。

方法論見 粵語熱詞辨識；加詞之後有冇用，要用固定樣本前後對照才知，唔好靠感覺。

第四步：逐字稿變可讀稿

呢步最花時間，亦最容易被做錯。

錯法一：全部改成書面語。結果嘉賓把聲同文字對唔上，讀者覺得假。

錯法二：一個字都唔改。結果滿頁「咁」「囉」「即係」，搜尋引擎抓到一堆冇意義嘅字。

正確做法係三層：

1. 保留：語氣詞、口語字、重複嘅強調（「真係真係好重要」留一次）。
2. 刪除：純填充（「嗯」「嗱」）、同一句話講三次、離題嘅自我修正。
3. 改寫：明顯嘅聽錯（人名、數字、公司名）、標點、分段。

第三層要小心。改得太多，就變成你寫嘅文，唔係嘉賓講嘅話。

實務界線：意思可以整理，立場唔可以改。

分段規則：一個話題一段，每段 3 至 6 句。太長冇人讀，太碎失去語氣。

如果你想知口語轉書面語嘅取捨，會議紀錄嘅口語轉書面語做法 講得更細。

第五步：章節時間碼，冇捷徑

Podcast 同 YouTube 都需要章節，觀眾用來跳去感興趣嘅位。

問題係：我哋嘅轉寫輸出冇逐句時間戳。

章節時間碼 係指「每個章節標題對應嘅起始秒數」，同字幕時間軸唔係同一回事：章節只需要 5 至 8 個點，字幕要逐句。

所以時間碼要自己建，兩條路：

• 手標：一邊聽一邊按標記，30 分鐘節目大約 10 分鐘人手。最準，亦最適合只有 5 至 8 個章節嘅節目。
• 強制對齊：用另一個工具把文字對返音頻，出逐句時間碼。適合要出字幕嘅情況。

兩條路都唔會「零人手」。任何聲稱全自動出章節嘅流程，實際都係用模型猜段落邊界。

一個實用做法：先寫好五個章節標題，再用播放器跳住聽，標每個標題嘅起始秒數。比逐句對齊快好多。

字幕格式同時間碼精度，見 逐字稿交付格式。上載去 YouTube 要用 SRT，我哋唔直接出，所以呢步一定另配工具。

字幕唔止為 SEO。美國聯邦通訊委員會對網上影片字幕有公開指引（FCC 消費者指南，2026-10-31 查閱）；香港冇同等嘅強制規定，但對外影片有字幕，係聽障觀眾能唔能夠接收你內容嘅分界線。

第六步：Show notes，搜尋入口喺呢度

Show notes 唔係「本集嘉賓係誰」咁簡單。佢係你唯一可以控制嘅搜尋入口。

三個部分：

• 一句摘要：講清聽完會得到咩，唔好寫「今集好精彩」。
• 章節列表：時間碼＋一句標題。標題用觀眾會搜嘅字，唔好用「第一部分」。
• 相關連結：嘉賓作品、提及嘅書、同你網站上相關嘅文章。

如果想 RSS 讀者見到逐字稿，Podcast 2.0 有 podcast:transcript 標籤（規格文件，2026-10-31 查閱），指向一個 VTT 或純文字檔。

RSS 基本結構見 RSS 2.0 規格（2026-10-31 查閱）。

YouTube 側嘅字幕上載，官方文件喺 Captions API（2026-10-31 查閱）。格式用 SRT 或 WebVTT 都可以，WebVTT 規格（2026-10-31 查閱）有講語法。

成本同時間：一季 12 集

按我哋公開費率，每音頻小時 HK$0.80，按秒計：

轉寫成本喺整個製作流程入面幾乎可以忽略。真正成本係改稿同標章節。

【實測】同一集節目，落咗詞表同冇落，最花時間嘅部分會唔同：冇落詞表，時間花喺逐個人名核對；落咗之後，時間轉去刪口頭禪同重組段落。後者雖然都要人手，但唔需要反覆聽音頻。

所以流程設計嘅目標唔係「省轉寫費」，係「減少人手改稿嘅次數」。

三個減人手嘅做法：

1. 詞表先落，減少專名錯。
2. 錄音時提醒嘉賓講全名一次（開場）。
3. 統一格式：數字、英文大小寫、標點，用一份 style guide。

第三項最多人忽略。冇 style guide，每集都要重新決定「3 點」定「三點」。

保存、私隱同同意

轉寫結果保留 90 日，之後自動清理。你可以逐條刪，刪除即時生效。

但節目文稿你可能想留幾年。所以做法係：轉完即刻把 text 存去自己嘅 storage，唔好當平台係長期檔案庫。

嘉賓錄音要唔要事前同意、要唔要講明用途，係另一條問題。會議場景嘅實務清單見 錄音同意與保留。Podcast 訪談同理：錄之前講清楚會出街、會唔會出逐字稿。

如果唔會出逐字稿，就唔好出。呢個係尊重，亦係避免之後要刪。

常見問題

可唔可以只用自動字幕，唔做逐字稿？

可以，但你就放棄咗搜尋。影片字幕唔會被 Google 當成頁面內容索引；網站上嘅文字稿會。要長尾流量，就要有文字。

60 分鐘節目一定唔可以切碎嗎？

唔係「一定」，係「唔值得」。切碎多咗接駁位同管理成本，除非超過 4 小時或者檔案太大，否則一次過提交更穩。

逐字稿要唔要保留口語字？

要。口語字係語氣嘅一部分。你可以刪填充詞，但唔應該把「唔係喎」改成「並非如此」。前者係內容，後者係另一個人講嘢。

冇 SRT，點出 YouTube 字幕？

兩步：先用轉寫出純文字，再用對齊工具產生時間碼，最後輸出 SRT。對齊工具嘅操作見 SRT 時間軸對齊。

一季 12 集，要唔要人手逐集改名？

要，而且要一開始就定規則。批次處理嘅排隊同對帳方法，見 批量轉寫營運。

關於呢篇文

本文由港嘢內容團隊整理。上限同費率取自我哋公開 API 文件（2026-10-31 查閱）；RSS、WebVTT、YouTube Captions 嘅格式要求取自各自官方文件（2026-10-31 查閱）。六步流程來自我哋處理節目轉錄嘅實務經驗。想睇配音同字幕整合，讀 影片字幕配音工作流。有問題歡迎 聯絡我們，公司背景見 關於港嘢。

資料來源：港嘢公開 API 文件（4.5MB 同步上限、200MB／4 小時非同步、HK$0.80 每音頻小時、90 日保留、輸出只有 json／text）；Podcast Namespace 1.0（podcast:transcript 標籤）；RSS 2.0 規格；YouTube Captions API；W3C WebVTT；ffmpeg 濾鏡文件（響度統一，2026-10-31 查閱）。本文由港嘢內容團隊編輯及覆核。