# 把几百期播客变成资料库，难点在转写之后

Next Token 博客

有字幕就导入，没有字幕再转写，可以迅速积累内容。要让这些材料支持检索和引用，还需要保留来源、时间位置、缺失情况与观点上下文。

发布：2026-11-10
更新：2026-10-26

记得一位嘉宾讲过某个观点，却想不起是哪一期、哪一分钟。几百期访谈都有了文字，搜索容易一些；如果搜出的句子没有出处，还是得回到播放器里从头找。

第七期提到过一项整理尝试：获取节目官网已有字幕，缺字幕的部分再转写，整理成中文网站。转写之后，资料库还得保留能返回原材料的线索，否则内容越多，核对越费劲。

## 同一句话，可能有几层来源

发布方字幕、自行转写、中文翻译和摘要，可能都对应同一段音频。导入时应保留它们之间的关系。摘要里的判断出现问题，才知道应回查翻译、转写，还是原音频。

每条节目记录至少需要原始链接、日期、语言和文本来源。有时间码的文本，保留对应位置；没有时间码的，不要估算一个看似准确的播放时刻。

官方字幕也可能有误，只是更容易确认来源。后续若拿到修订版，应知道哪些翻译和摘要仍依据旧稿，而不是悄悄换掉原文后继续展示旧结论。

## 流畅的文字也要能回听

一个人名写成另一个熟悉的人名，读起来往往很自然。Whisper 的[模型说明](https://github.com/openai/whisper/blob/main/model-card.md)还指出，输出可能包含音频里没有说过的文字。只检查语句是否通顺，抓不到这类错误。

用于浏览的文本可以标明来源和校对情况。准备引用某句话时，则要回听相应位置，尤其留意人名、数字、否定词和限制条件。翻译也应保留原文的不确定性，不能把可能改成已经发生。

修正一个名字以后，相关翻译、摘要和搜索索引都可能需要更新。若每个段落有稳定标识，并记录派生文本引用了它，维护会比全文搜索替换可靠得多。

## 搜索时把前后条件一起带出来

假设要查某人对开源模型的看法，一段赞成，一段批评。它们可能相隔几年，也可能分别讨论个人研究与企业部署。把两句拼在一起，无法解释差别。

结果页可以先给出节目日期、话题和必要的前后文，再链接到原段落。摘要负责帮助读者决定要不要继续读；正式引用仍应落回原材料。

目录也需要显示缺失。某期没有字幕、某段转写不完整、某个视频链接失效，都应能被看见。否则一次没有搜到，很容易被误解为嘉宾从未谈过这件事。

验收时可以挑几段自己知道出处的讨论，检查能否搜到、是否定位准确、前后条件有没有丢失。再选一项资料不全的节目，确认系统会说明缺口。比起统计已经导入多少篇，这些检查更能说明资料库是否适合用来找材料。

## 相关资料

- [获取官方字幕、补做转写并整理中文网站的尝试](https://nexttoken.tv/weekly/007/transcript#quote-194fdd8d1baa66b25243)
- [扩大整理范围并持续执行的经历](https://nexttoken.tv/weekly/007/transcript#quote-04eaf393ebc8920f2d17)
- [使用节目已有 ShowNotes 辅助处理的讨论](https://nexttoken.tv/weekly/007/transcript#quote-4c70343fdf7752a9466e)
- [OpenAI Whisper：Model Card，Performance and Limitations](https://github.com/openai/whisper/blob/main/model-card.md)，查阅于 2026 年 10 月 26 日。

## 来源与相关链接

- [网页版文章](https://nexttoken.tv/blog/podcast-archive-as-research-library)
- [Weekly #007 完整文字稿](https://nexttoken.tv/weekly/007/transcript)