podcast-to-article — 把播客逐字稿整理成可发布长文的 Agent Skill

podcast-to-article 是一个把播客逐字稿整理成能直接发布长文的 Agent Skill。这个软件工具走 MIT 协议，纯 Python3 标准库，多人对谈和单人访谈都行，中文英文都行。作为一个开源软件，它做的事就是换轴：逐字稿的轴是发言人和时间，文章的轴是话题和判断。

场景痛点

播客录完有逐字稿，直接丢给模型写成文章，出来的一般是三种东西：满篇”张三说李四说王五说”的流水账、数字细节全丢的抽象化、或者原话被压成第三人称概述的改写过度。想把一期播客变成能直接发的长文，又不想读起来像会议纪要或者记者二手转述。做AI应用和Skill工具的人想要的，不是一个简单的”把稿子写成文章”的提示词，是一个有规则、有自检、能保留原话语气的转写工具。

主要功能特点

换轴成文

逐字稿按发言人和时间排列，文章按话题和判断组织。七步流程：清稿、要点梳理、定主线、换轴成文用原文、人名校准、精简、自检。

三条规矩

拆掉发言人的脚手架只在几个人说同一件事时做，单人对谈反过来尽量原话直译。保留事实的颗粒度，不把数字细节换成”行业正在加速”。留住原话的语气，不把”他说”换成陈述句。

实测砍 35%

一份 5730 汉字的原始稿变成 3703 汉字发布稿，砍掉 35%，段落从 57 减到 47。自检脚本跑出来破折号 0、对举句 0、总结腔 0、序数词小标题 0、动词名词化 0、段首零回指评论 0。这种播客工具级别的精简，比自己删快。

两个脚本单独用

字幕清洗脚本去时间轴、按说话人合并成段、报统计。成稿自检脚本逐条报 AI 痕迹命中数加人类基准对照，兼报直接引语占比和段首自足判断句占比。这种知识管理级别的自检，比肉眼查准。

规则有语料支撑

语言规则来自 629 篇对照语料研究：300 篇五模型生成文本加 329 篇人类写作，95551 句。三条反直觉发现：人类用比喻是 AI 的 2.4 倍，正文设问人类每千字 1.83 处而 AI 只有 0.10 处差 17 倍，句长均匀度没有差异强行打乱句长没用。

简易使用教程

clone 仓库后把整个目录放进你 Agent 的 skills 或 rules 目录，指向 SKILL.md。
对 Agent 说”这是这期播客的逐字稿，按 Next Token 的格式整理成一篇文章”。
它会自动走七步：清稿、要点梳理、定主线、换轴成文、人名校准、精简、自检。
想先清洗字幕就跑 python3 scripts/prep_transcript.py 第004期.srt -o 清洗稿.md。
想只看说话人就加 –speakers。
成稿后跑 python3 scripts/check_style.py 成稿.md 看 AI 痕迹命中数。
支持 SRT、VTT、md、txt 格式，带 发言人： 标记的也能识别。
日常用下来播客转长文都在一个 Skill 里，想找类似工具推荐里的 AI工具可以翻酷软趣站。

官方网站

GitHub https://github.com/orange2ai/podcast-to-article

下载地址

https://pan.quark.cn/s/9791affa95dc

https://www.guangyapan.com/s/1957277303125999665_aeWhI5wocgzRgCO6 （光鸭新用户注册福利：永久免费空间：所有新用户注册即可解锁 2TB 永久免费存储空间，无需额外任务或付费）

podcast-to-article — 把播客逐字稿整理成可发布长文的 Agent Skill

场景痛点

主要功能特点

换轴成文