# 用 Python 搭配 OpenAI 的 GPT、Whisper API 取得 Youtube 影片摘要

- 作者：林鼎淵（Dean Lin）
- 網址：https://deanlin.net/blog/202304/youtube-summary-gpt-whisper-api/
- 發布：2023-04-03
- 主題：AI 實戰
- 系列：YouTube 影片轉逐字稿
- 標籤：ChatGPT、Python、YouTube、Summary、OpenAI
- 摘要：如果追求點擊率、按讚數，我應該要用「工程師要失業了！靠 ChatGPT 就能寫出取得 Youtube 影片摘要的程式！」來當標題。但現在還是有不少 ChatGPT 無法解決的問題。這篇文章會用範例讓讀者理解 ChatGPT 在寫程式上的侷限，以及適合使用的場景。

如果追求點擊率、按讚數，我應該要用「工程師要失業了！靠 ChatGPT 就能寫出取得 Youtube 影片摘要的程式！」來當標題。

也許隨著 AI 持續發展，這個標題在未來真的可以實現，但並不是現在。

儘管 ChatGPT 的出現，讓寫程式的門檻大幅降低；但現在還是有不少 ChatGPT 無法解決，或是解決不好的問題。

這篇文章會用範例讓讀者理解 ChatGPT 在寫程式上的侷限，以及適合使用的場景。

[在前面的文章中](https://deanlin.net/blog/202303/python-youtube-transcript-whisper/)，筆者已經實現用 Python 將 Youtube 影片轉逐字稿。

而在這篇文章，我將導入 OpenAI 的 GPT API，請他幫我們整理逐字稿，並取得影片摘要。

> 提醒大家，不要未經授權下載有版權保護的影片喔！

## 導入 OpenAI 的 GPT API，提升逐字稿可讀性

😀：「下面是我用 Python 寫的 Youtube 影片轉成逐字稿的程式，我想要在這個基礎上擴充功能，我在後續的對話中會提出自己的需求，請問你可以幫忙嗎？

```
from pytube import YouTube
from pydub import AudioSegment
import openai

# 設定要下載的影片 URL
url = "https://www.youtube.com/watch?v=IvOdTbIYZs4"

# 建立 YouTube 物件
yt = YouTube(url)

# 取得影片的音軌
audio_stream = yt.streams.filter(only_audio=True).first()

# 下載音軌到指定的路徑
audio_stream.download(output_path="path/to/save/directory", filename="audio")

# 讀取下載下來的音檔
audio_file = AudioSegment.from_file("path/to/save/directory/audio")

# 切割音檔成多個小檔案
chunk_size = 100 * 1000  # 100 秒
chunks = [audio_file[i:i+chunk_size] for i in range(0, len(audio_file), chunk_size)]

# 使用 OpenAI 的 Audio API 將每個小檔案轉成文字，然後合併在一起
openai.api_key = "YOUR_API_KEY"
transcript = ""
for chunk in chunks:
    with chunk.export("temp.wav", format="wav") as f:
        result = openai.Audio.transcribe("whisper-1", f)
        transcript += result["text"]

# 印出轉換後的文字
print(transcript)

```

因為 ChatGPT 的資料截止於 2021 年 9 月，此時的他對於未來世界並不了解，所以我們需要去官方找範例程式，請他協助合併。

這邊我們使用的是 OpenAI 的 Chat 功能：[https://platform.openai.com/docs/api-reference/chat](https://platform.openai.com/docs/api-reference/chat)

😀：「我找到了一個可以整理逐字稿的套件，官方範例如下，我希望將最後的結果印出來，要如何將他與我現在的程式結合呢？

```
import os
import openai
openai.api_key = os.getenv("OPENAI_API_KEY")

completion = openai.ChatCompletion.create(
  model="gpt-3.5-turbo",
  messages=[
    {"role": "user", "content": "Hello!"}
  ]
)

print(completion.choices[0].message)

```

前面幾篇文章中，我們靠 ChatGPT 就能順利完成專案；但在這篇文章中，**如果你缺乏程式的開發經驗就可能會卡很久**。

首先，**你有沒有發現 ChatGPT 根本不是使用我們提供的官方範例程式！**如果你嘗試跑起來會出現各式各樣的錯誤：

  這個錯誤是因為他擅自把模型從 gpt-3.5-turbo 改為 davinci 所造成的

儘管筆者使用多種方式來調教他，最終也成功試出能夠讓 ChatGPT 吐出正確回應的指令，**但這個指令不具有參考價值，因為我必須描述得非常詳細，如果使用方式太過複雜，那就不是一個值得分享的使用方式**。

所以筆者還是靠自己整合出一個版本：

```
from pytube import YouTube
from pydub import AudioSegment
import openai

# 設定要下載的影片 URL
url = "https://www.youtube.com/watch?v=IvOdTbIYZs4"

# 建立 YouTube 物件
yt = YouTube(url)

# 取得影片的音軌
audio_stream = yt.streams.filter(only_audio=True).first()

# 下載音軌到指定的路徑
audio_stream.download(output_path="path/to/save/directory", filename="audio")

# 讀取下載下來的音檔
audio_file = AudioSegment.from_file("path/to/save/directory/audio")

# 切割音檔成多個小檔案
chunk_size = 100 * 1000  # 100 秒
chunks = [audio_file[i:i+chunk_size] for i in range(0, len(audio_file), chunk_size)]

# 使用 OpenAI 的 Audio API 將每個小檔案轉成文字，然後合併在一起
openai.api_key = "YOUR_API_KEY"
transcript = ""
for chunk in chunks:
    with chunk.export("temp.wav", format="wav") as f:
        result = openai.Audio.transcribe("whisper-1", f)
        transcript += result["text"]

# 整理逐字稿
completion = openai.ChatCompletion.create(
  model="gpt-3.5-turbo",
  messages=[
    {"role": "user", "content": "使用繁體中文閱讀，幫我改錯字、加標點符號，並分段使內容更通順：\n"+transcript}
  ]
)

# 印出整理後的文字
print(completion.choices[0].message.content)

```

STEP 1：安裝相關 Python 套件，`pip install pytube pydub openai`

STEP 2：建立一個`youtube-summary.py`的檔案，貼上 ChatGPT 的程式。

STEP 3：在終端機輸入`python youtube-summary.py`，然後稍等一段時間…就會看到成果啦！

表面上看起來整理得挺不錯，但仔細看會發現結尾突然斷掉了，這是為什麼呢？

這邊用 OpenAI 官方文件比較好說明，每個 GPT 模型都有自己的 `max_tokens`，我們選用的 `gpt-3.5-turbo` 最高上限是 4096。

  [https://platform.openai.com/docs/models/gpt-3.5](https://platform.openai.com/docs/models/gpt-3.5-turbo)

所以截斷的原因就是我們的 prompt 太長了，這邊跟大家科普一下，所謂 prompt 長度就是我們傳入的逐字稿長度。

而中文跟英文計算 Token 的方式也不盡相同，如果使用英文，1000 個 tokens 大約等於 750 個單字；但如果使用中文，1000 個 tokens 大約只有 400 字。

  [https://platform.openai.com/tokenizer](https://platform.openai.com/tokenizer)

上面是補充說明，讓我們回到原本的話題，我們要如何讓逐字稿完整的被整理，不要被截斷呢？

最直覺的做法就是將逐字稿「分段」傳送過去，4096 的 token 換算成中文大約 1600 字，我們保守一點，用「1200」的長度來做分割，下面是整理好的程式。

```
from pytube import YouTube
from pydub import AudioSegment
import openai

# 設定要下載的影片 URL
url = "https://www.youtube.com/watch?v=IvOdTbIYZs4"

# 建立 YouTube 物件
yt = YouTube(url)

# 取得影片的音軌
audio_stream = yt.streams.filter(only_audio=True).first()

# 下載音軌到指定的路徑
audio_stream.download(output_path="path/to/save/directory", filename="audio")

# 讀取下載下來的音檔
audio_file = AudioSegment.from_file("path/to/save/directory/audio")

# 切割音檔成多個小檔案
chunk_size = 100 * 1000  # 100 秒
chunks = [audio_file[i:i+chunk_size] for i in range(0, len(audio_file), chunk_size)]

# 使用 OpenAI 的 Audio API 將每個小檔案轉成文字，然後合併在一起
openai.api_key = "YOUR_API_KEY"
transcript = ""
for chunk in chunks:
    with chunk.export("temp.wav", format="wav") as f:
        result = openai.Audio.transcribe("whisper-1", f)
        transcript += result["text"]

# 依照我們指定的長度分割字串
def split_text(text, max_length):
    return [text[i:i+max_length] for i in range(0, len(text), max_length)]

# 整理逐字稿
def process_text(text):
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[
            {"role": "system", "content": "You are a helpful assistant."},
            {"role": "user", "content": "使用繁體中文閱讀，幫我改錯字、加標點符號，並分段使內容更通順：\n"+text}
        ]
    )
    return response.choices[0].message.content

# 處理長字串
def process_long_text(long_text):
    text_list = split_text(long_text, 1200)
    processed_text_list = [process_text(text) for text in text_list]
    return "".join(processed_text_list)

# 呼叫分段處理函式
processed_transcript = process_long_text(transcript)

# 印出處理後的逐字稿
print(processed_transcript)

```

在終端機輸入`python youtube-summary.py`，就會看到被分段，並加上標點符號的成果啦！

> 關於字串分割的方式，筆者是向 ChatGPT 詢問：「我逐字稿的字數可能超過 1 萬字，而這個 api 最多只能讀 1200 字，請問我要如何改寫？」改編而來的；儘管 ChatGPT 面對新套件力有不逮，但基礎的問題還是可以順利回答。

## 取得逐字稿摘要，轉成 txt 格式

基本上下面的程式就是筆者自己改造的了，我做了兩件事：

1. 在 `process_long_text` 函式增加了一個 `type` 的參數，裡面可以放置不同類型的 prompt（ex：整理逐字稿、摘要）。
2. 將整理好的文字寫入 txt 檔案。

```
from pytube import YouTube
from pydub import AudioSegment
import openai

# 設定要下載的影片 URL
url = "https://www.youtube.com/watch?v=IvOdTbIYZs4"

# 建立 YouTube 物件
yt = YouTube(url)

# 取得影片的音軌
audio_stream = yt.streams.filter(only_audio=True).first()

# 下載音軌到指定的路徑
audio_stream.download(output_path="path/to/save/directory", filename="audio")

# 讀取下載下來的音檔
audio_file = AudioSegment.from_file("path/to/save/directory/audio")

# 切割音檔成多個小檔案
chunk_size = 100 * 1000  # 100 秒
chunks = [audio_file[i:i+chunk_size]
          for i in range(0, len(audio_file), chunk_size)]

# 使用 OpenAI 的 Audio API 將每個小檔案轉成文字，然後合併在一起
openai.api_key = "YOUR_API_KEY"
transcript = ""
for chunk in chunks:
    with chunk.export("temp.wav", format="wav") as f:
        result = openai.Audio.transcribe("whisper-1", f)
        transcript += result["text"]

# 依照我們指定的長度分割字串
def split_text(text, max_length):
    return [text[i:i+max_length] for i in range(0, len(text), max_length)]

# 依照 type 處理文字
def process_text(text, type):
    response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[
            {"role": "system", "content": "You are a helpful assistant."},
            {"role": "user", "content": type + text}
        ]
    )
    return response.choices[0].message.content

# 處理長字串
def process_long_text(long_text, type):
    text_list = split_text(long_text, 1200)
    processed_text_list = [process_text(text, type) for text in text_list]
    return "".join(processed_text_list)

# 呼叫分段處理函式
processed_transcript = process_long_text(transcript, "使用繁體中文閱讀，幫我改錯字、加標點符號，並分段使內容更通順：\n")

# 呼叫取得摘要函式
processed_summary = process_long_text(processed_transcript, "閱讀以下文字，用「-」作為前綴條列出重點，用「繁體中文」呈現：\n")

with open("path/to/save/directory/text.txt", "w") as file:
    file.write("摘要：\n" + processed_summary + "\n\n\n逐字稿：\n" + processed_transcript)

```

在終端機輸入`python youtube-summary.py`，就會看到「Youtube 摘要、整理過的逐字稿」被寫入 txt 檔案中啦！

  讀者可依照自己的需求再做優化

## 筆者想說的話

不知道有多少人會把文章看完，但其實這篇文章我寫得很沮喪。

程式的部分我花不到 1 小時就完工，但文章卻寫了 4 個多小時，我不停在思考怎麼樣的呈現方式對讀者來說是有幫助的。

最終我選擇了上面的呈現方式，任何工具都有不完美的地方，沒必要所有事情都依賴 ChatGPT。

以這篇文章完成的功能來說，ChatGPT 的幫助如下：

1. 提供字串分割的函式
2. 寫入 txt 檔案的方式

其他部分基本上都是筆者自己改寫的，並不是說 ChatGPT 絕對辦不到，只是想表達工具用在對的地方才會有最大效益（ex：基礎程式、簡單除錯、最小可執行程式），我也不想只呈現完美的路徑。

最後再聊聊自己為什麼會寫這個 Side Project 吧。

我這個人喜歡閱讀文章大過看影片，因為我可以在文章中快速找到自己需要的重點，而觀看影片很難讓我做到這件事。

如果看影片是為了娛樂，那我會享受這個過程；但有時看影片是為了吸收知識，那這樣的效率對我來說就太慢了，所以我就做了這個小工具，提升自己吸收知識的效率。

> 我喜歡依照自己的「節奏」來吸收資訊，而閱讀滿足了這點。

延伸閱讀：[AI 實戰](https://deanlin.net/categories/ai/)

**想將 AI 導入自己的職場與生活嗎？歡迎[購買筆者出版的新書](https://www.books.com.tw/products/0011004216)**，幫助您**在 AI 的浪潮中站穩腳步，並在未來的職場競爭中佔據優勢！**

  [https://www.books.com.tw/products/0011004216](https://www.books.com.tw/products/0011004216)

---

關於作者：林鼎淵（Dean Lin），台灣的生成式 AI 企業內訓講師、外商資安公司軟體專家，也是生成式 AI 創新學院發起人。出版 7 本書（包含全台第一本 ChatGPT 應用專書），兩度獲得 iThome 鐵人賽佳作，累積上百場授課與顧問經驗。（https://deanlin.net/about/）
引用時請附上原文網址：https://deanlin.net/blog/202304/youtube-summary-gpt-whisper-api/