Podcast to Course

English | 中文

听播客时：醍醐灌顶。第二天开会：那位嘉宾说过一个特别厉害的……叫什么来着？

Podcast to Course 专治这种「听过 ≈ 学会」的错觉：它把播客变成可复用的 AI 产品经理课程，让洞见不再从左耳朵进、右耳朵拿着离职证明出去。

以前它是一个「拿到转写稿以后很能打」的 Skill。现在它长出了产品的前半截：给它一份转写文件，或者直接给一个公开的小宇宙 / 音频链接；它会在 Apple Silicon Mac 上免费本地转写，再产出结构化框架卡、决策清单、面试表达素材、个人成长日志——对于里程碑级别的单集，还能生成一个漂亮的交互式 HTML 课程。

一句话：以前只负责做菜，现在连买菜、洗菜、切菜也包了。ASR API 账单是 0 元，电费和风扇声另算。

| 你扔进来 | 它在背后忙什么 | 你拿走什么 | |---|---|---| | 小宇宙公开单集链接 | 解析音频、断点续传、本地 ASR、说话人对齐、质量检查 | transcript.md + 可审计中间产物 | | 公网 .m4a/.mp3 链接 | 下载、本地转写、尾部幻觉过滤 | transcript.md | | 已有转写稿 | 清洗、结构化、提炼判断 | 学习卡 / 知识资产 / HTML 课程 |

谁需要这个？

AI产品实习生/想找到AI产品实习的同学/传统产品想转AI产品/创业者/Builder——你听了大量 AI/Agent/AI 产品播客，但听完就忘，无法系统化，更无法应用到实际工作中。

你在通勤、健身、做家务时听播客。听到某个洞见时觉得醍醐灌顶——但几天后就忘了。你没有一套系统来捕获、整理、内化你听到的东西。

你的目标是实用，不是学术：

• 从对话中提取可复用的思维模型，应用到自己的产品/商业决策中
• 建立产品直觉——知道哪些 AI 模式该跟，哪些该忽略
• 通过内化资深 builder 的 tradeoff 思维，做出更快更好的判断
• 在开会、面试、汇报时有结构化框架脱口而出
• 把不同单集的洞见串联起来——看到第 7 期如何在第 2 期和第 5 期的基础上延伸

你不是要成为研究员。你要的是把播客里的智慧转化成明天早上就能用的工具。

三种输出深度模式！

模式 1：10 分钟学习卡（超模轻食版）

一个 markdown 文件，10 分钟扫完：核心问题 + 3 个核心判断 + 3 个反直觉洞见 + 1 个可复用框架 + 5 条行动建议 + 1 道自测题。

适合日常听完快速复盘。

模式 2：学习笔记 + 框架卡（标准版，默认大碗）

一组可拖入 Notion、Obsidian 的 markdown 资产：

• EPISODE-HOME.md — 单集强入口：学习、验证、应用、反驳从这里开始
• summary.md — 结构化摘要 + 逻辑地图
• framework-card.md — 命名框架 + 决策规则 + 边界条件
• decision-checklist.md — 从本期提炼的"何时做什么"清单
• interview-answer-bank.md — 面试/汇报用 30 秒/60 秒回答模板
• claim-ledger.md — 每条核心 claim 的时间戳、原文锚点、可信度、状态
• debate-arena.md — AI 与嘉宾辩论场：质疑高影响观点，必要时 web-search
• wiki-change-report.md — 本期对知识库新增、更新、矛盾、开放问题的报告
• growth-log.md — 你的 AI 世界观"前后对比"快照
• knowledge-entry.md — 跨集连接 + 可信度汇总

适合希望沉淀到个人知识库的深度学习者。

模式 3：交互式 HTML 课程（超级碗）

一个零依赖、双击即开的单文件 HTML。面向 Karpathy、OpenAI、产品负责人访谈这种你会反复参考的里程碑级单集。

• 原话 ↔ 可操作洞见对照 — 左边嘉宾原话，右边提炼成可以立刻用的判断
• 框架逐层展开 — 点击按钮一步步展开决策框架的每一层
• 场景判断测验 — 不是"嘉宾说了什么"，而是"你遇到 X 情况，用本期框架怎么判断"
• 对话流动画 — iMessage 风格呈现播客中的观点交锋
• 可信度标签 — 每个观点标注 🟢 数据支撑 / 🟡 经验支撑 / 🔴 推测
• 学习闭环 — pre-test、应用练习、24 小时复习卡，避免只看完不内化
• 知识库持久化 — 每处理一期自动更新总索引，标记与往期的关联

三种使用模式

| 模式 | 你给什么 | 你得到什么 | |---|---|---| | /podcast-preview | 标题 + 嘉宾名 | 值不值得听（1-10 分）+ 3 个带着听的问题 + 可跳过部分 | | /podcast-course | 完整转写文件 | Tier 1/2/3 输出 | | /podcast-review | 你自己的听后感 | 偏差检查 + 遗漏补充 + 框架精炼 |

支持的输入格式

WhisperKit 本地转写 · 通义听悟 · 飞书妙记 · YouTube transcript · 小宇宙公开链接 · 公网 .m4a/.mp3 链接 · 任意 STT 工具转写 · 你自己的笔记

先把声音变成字：本地转写产品

还没有转写稿？问题不大。podcast-to-course/scripts/ingest_podcast.py 负责把公开链接变成可靠的 transcript.md。默认 --provider auto：优先使用免费的本地 WhisperKit，未安装时才回退到已配置的通义听悟。

为什么不让 ChatGPT Live 坐旁边听两个小时？

因为那很有喜剧效果，但不太像生产系统：网络抖一下，它可能错过嘉宾最值钱的半句话；电脑还得全程播放，谁打个喷嚏都可能成为神秘第三位嘉宾。

正式方案会下载原始音频，支持断点续传，保留词级时间戳和原始产物，并且可以重复运行、检查和复现。Live 旁听方案保留给公司团建。

本地免费方案（推荐）

需要 Apple Silicon Mac。WhisperKit 与 SpeakerKit 都通过 Argmax OSS Swift CLI 调用，音频和转写过程留在本机；首次运行会联网下载模型。

python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
brew install whisperkit-cli

如果 Homebrew 下载失败，也可以从官方 Swift 仓库构建 CLI，并通过 --whisperkit-cli /path/to/argmax-cli 指定可执行文件：

git clone https://github.com/argmaxinc/argmax-oss-swift.git
cd argmax-oss-swift
swift build -c release --product argmax-cli

超过 2 小时的音频会使用增量加载和 VAD 切块，不设人为时长上限——长节目不会在 02:00:01 被保安请出去。实际速度与上限由 Mac 性能、磁盘和模型决定。默认开启 SpeakerKit 说话人分离。 正文始终来自 WhisperKit 原生词级时间戳，RTTM 只负责说话人归属，避免分离结果把 LibLib、PMF 等词拆坏。系统还会以物理音频时长校验尾部漂移，并输出机器可读的质量指标。

当前整期实测参考：02:08:33 的中文双人访谈，本地 pipeline 用时约 24:11（约 5.3× 实时速度）。这是一台机器上的实测，不是宇宙常数；你的 Mac、模型和音质都会参与投票。

三种互斥输入

1. Transcript Mode — 你已有转写稿（免费、纯本地、不调 API）

python podcast-to-course/scripts/ingest_podcast.py \
  --transcript path/to/transcript.md \
  --out outputs/demo

2. Xiaoyuzhou URL Mode — 小宇宙公开单集链接

python podcast-to-course/scripts/ingest_podcast.py \
  --url "https://www.xiaoyuzhoufm.com/episode/..." \
  --out outputs/demo

先解析页面里的公开 audio_url，下载到可续传的本地缓存，再由 WhisperKit 转写并产出 transcript.md。

3. Audio URL Mode — 公网可直接访问的音频文件 URL

python podcast-to-course/scripts/ingest_podcast.py \
  --audio-url "https://example.com/audio.m4a" \
  --out outputs/demo

常用参数：

# 明确使用本地 provider；已知是双人访谈可指定人数
python podcast-to-course/scripts/ingest_podcast.py \
  --audio-url "https://example.com/audio.m4a" \
  --provider whisperkit \
  --speaker-count 2 \
  --prompt "LibLib，陈冕，Evoken" \
  --out outputs/demo

# 默认 4 个 VAD worker；内存紧张时可调低
python podcast-to-course/scripts/ingest_podcast.py \
  --audio-url "https://example.com/audio.m4a" \
  --concurrent-worker-count 2 \
  --out outputs/demo

# 网络不稳定时，可预先下载模型并全程使用本地路径
python podcast-to-course/scripts/ingest_podcast.py \
  --audio-url "https://example.com/audio.m4a" \
  --provider whisperkit \
  --whisperkit-cli /path/to/argmax-cli \
  --model-path /path/to/whisperkit-coreml-model \
  --diarization-model-path /path/to/speakerkit-coreml \
  --speaker-count 2 \
  --out outputs/demo

# 关闭说话人分离，减少内存开销
python podcast-to-course/scripts/ingest_podcast.py \
  --audio-url "https://example.com/audio.m4a" \
  --no-diarization \
  --out outputs/demo

每次成功会保留可审计的中间产物：

outputs/demo/
├── source_audio.m4a            # 可续传的本地缓存，扩展名按源文件决定
├── source_audio.m4a.download.json # URL、字节数、ETag 等缓存身份
├── whisperkit_native/          # WhisperKit 原生 JSON + SRT + 原始 RTTM
├── whisperkit.log              # 完整命令和 CLI 输出
├── raw_transcription.json      # provider 无关的稳定中间格式
├── transcription_metrics.json # 时长、漂移、词数、覆盖率与质量警告
├── transcript.md               # 课程生成的唯一输入
└── ingest_report.md            # provider、模型、路径和错误记录

通义听悟回退（可选）

若要显式使用云端听悟，传 --provider tingwu 并配置自己的阿里云密钥（绝不提交）：

export ALIBABA_CLOUD_ACCESS_KEY_ID="..."
export ALIBABA_CLOUD_ACCESS_KEY_SECRET="..."
export TINGWU_APP_KEY="..."

建议先用官方短音频验证：python podcast-to-course/scripts/tingwu_smoke_test.py。

边界说明。

• 只支持公开可访问内容。不绕过登录、付费、会员、加密、私有内容。
• 本地方案会下载音频到输出目录，并在后续重跑时复用或续传；大文件不会提交到 Git。
• 完整缓存只在 URL 与字节数均匹配时复用；同名但不同来源的音频不会误命中。
• auto 的顺序是 WhisperKit → 已配置的听悟。需要固定行为时显式传 --provider。
• 通义听悟仅用于 ASR 转写——其摘要/章节/问答能力不作为课程内容。
• WhisperKit 与 --transcript 不产生 ASR API 费用；只有选中听悟时才可能产生云端费用。
• 自动解析或转写失败时，不能用 shownotes 冒充全文；请检查 ingest_report.md，或回退到 Transcript Mode。

设计哲学

提炼判断力，不做摘要

摘要告诉你"说了什么"。判断提炼告诉你什么时候用、什么时候不用、该信几分。每个观点带可信度标签。每个框架有边界条件。"这期很有启发"这种空话被明确禁止——如果一段输出能套在同类话题的任何一期上，那是摘要，不是提炼。

考应用，不考记忆

每道测验都把你放在真实场景里。"你的 CTO 提了一个 multi-agent 方案。用本期框架，你的第一反应应该是什么？"——而不是"嘉宾关于 multi-agent 说了什么？"

知识复利

每期更新你的个人 AI 判断库。knowledge-entry.md 把新洞见和往期连接——标记是强化、矛盾、还是延伸。20 期之后，你有大约 15 张精炼过的框架卡，而不是 60 张重复的。

防止播客污染 Wiki

播客发言不是事实源，而是 claim source。高影响观点必须进入 claim-ledger.md 和 debate-arena.md：先贴出嘉宾原话，再由 AI 质疑逻辑漏洞、样本偏差、因果过度归纳、与已有 wiki 的冲突；遇到产品状态、市场数据、研究结论等可能随时间变化的事实，必须 web-search。

每条核心 claim 都有状态：

accepted / tentative / challenged / disputed / outdated / rejected

只有经过锚点、证据、状态和必要质疑的判断，才能进入长期 wiki。

诚实校准

AI 播客最危险的是"听起来很对但毫无依据"的判断。每条洞察标注证据来源。嘉宾犹豫的地方，输出保留那种不确定性。遇到没有清晰框架的单集，输出直接说"本期框架密度低"——而不是硬编一个看起来像样子的模型。

可移植

Markdown 哪里都能用。HTML 零依赖自包含。不绑定任何平台。你的判断库跟着你的思考走。

安装

git clone https://github.com/Cobb04/podcast-to-course.git ~/.agents/skills/podcast-to-course

然后在 Claude Code 里说："帮我把这期播客转成课程"

技能文件结构

.
├── README.md                        # 中文首页（默认）
├── README_EN.md                     # 英文版说明
├── requirements.txt                 # ingest 层依赖（下载/解析；听悟 SDK 为可选 provider）
├── .env.example                     # 凭据模板（绝不提交真实密钥）
└── podcast-to-course/
    ├── SKILL.md                      # 主技能指令
    ├── scripts/                      # ingest 层 → 产出 transcript.md
    │   ├── ingest_podcast.py         # 统一 CLI（url / audio-url / transcript）
    │   ├── audio_download.py         # 公网音频缓存 + 断点续传
    │   ├── extract_xiaoyuzhou_audio.py
    │   ├── whisperkit_client.py      # 免费本地 WhisperKit/SpeakerKit provider
    │   ├── tingwu_client.py          # 通义听悟离线转写封装
    │   ├── tingwu_smoke_test.py
    │   └── normalize_transcript.py
    └── references/
        ├── build-self-contained.sh   # 通用构建管线
        ├── podcast-engine.js         # 交互引擎（测验、框架展开、导航）
        ├── podcast-styles.css        # 播客专用样式
        ├── debate-arena-template.md  # AI 与嘉宾辩论场模板
        ├── claim-ledger-template.md  # claim 证据账本模板
        ├── episode-home-template.md  # 单集强入口模板
        ├── gotchas.md                # 常见踩坑清单
        └── interactive-elements.md   # 测验、框架、注释等交互模式

---

用 Claude Code 构建。基于 codebase-to-course 技能，由 Zara 原创。