Generator notatek do podcastu: od transkrypcji do show notes w kilka minut

Generator notatek do podcastu nie musi być kolejnym SaaS-em za 29 USD miesięcznie. Mój to jedno wywołanie API plus jeden prompt, a produkuje streszczenie, listę tematów, dosłowne cytaty i linki do materiałów dla odcinka w około dziesięć minut — łącznie z rundą weryfikacji faktów. Używam go do dwóch audycji; oto całość.

Od odcinka do transkrypcji w jednym żądaniu

Jeśli Twoje odcinki trafiają na YouTube (jak większość podcastów wideo), transkrypcja jest o jedno wywołanie stąd:

curl -s "https://youtube2text.org/api/transcribe?url=https://www.youtube.com/watch?v=EPISODE_ID&maxChars=150000" \
  -H "Authorization: Bearer yt_your_key"

40-minutowy odcinek wraca jako 45-60 tys. znaków; 90-minutowa rozmowa long-form to 100-130 tys., wciąż poniżej sufitu maxChars równego 150000 i wewnątrz pojedynczego kontekstu Claude albo GPT. Odpowiedź zawiera flagę truncated, więc dowiesz się, że maratoński odcinek został przycięty, zamiast odkrywać to, gdy notatki urywają się na 70. minucie.

Prompt, który pilnuje uczciwości cytatów

Wyróżnione cytaty to miejsce, w którym generyczne prompty do streszczania zawodzą. LLM-y uwielbiają „poprawiać" cytaty — podszlifować gramatykę, podmienić słowo — a parafraza w cudzysłowie to prosta droga do maila z korektą od Twojego gościa. Ten prompt wymusza dosłowne wypisy:

You are writing show notes from a podcast transcript.

Episode: {EPISODE TITLE}
Show: {PODCAST NAME}
Guest: {CORRECT GUEST NAME + one-line bio}

Produce:
1. A two-sentence episode summary. No hype words.
2. 5-8 bullet topics in the order they were discussed.
3. Three pull quotes copied VERBATIM from the transcript.
   Do not paraphrase. Do not fix grammar. If a quote needs
   context, add it in brackets before the quote, never inside.
4. Every book, tool, person, and company mentioned, as a
   plain list for the resources section.

If no quote is strong enough, say so. Never fabricate one.

Transcript:
{PASTE TRANSCRIPT}

Zwróć uwagę, że nazwisko gościa podajemy jako dane wejściowe. To celowe — i to jest rozwiązanie problemu z następnej sekcji.

Problem z nazwiskami gości

Szczere zastrzeżenie: te transkrypcje pochodzą z napisów YouTube, a automatycznie generowane napisy przekręcają nazwiska z pełnym przekonaniem. Widziałem, jak „Swyx" staje się „swicks", a gościni o imieniu Priyanka spędza cały odcinek jako „Brianca". Podanie poprawnej pisowni w promptcie pozwala modelowi znormalizować każde wystąpienie w streszczeniu i liście tematów. Ale dosłowne cytaty wymagają jeszcze jednego sprawdzenia — jeśli napisy już zniekształciły zdanie, „dosłownie" wiernie odtworzy to zniekształcenie. Przed publikacją odtwórz fragment odcinka, z którego pochodzi każdy cytat, i potwierdź słowa. To właśnie runda weryfikacji faktów, zajmuje trzy-cztery minuty, a jej pominięcie to prosta droga do przekręconych cytatów na czyimś screenshotcie.

Wpięcie w proces publikacji

Ręczna wersja powyżej wystarcza przy cotygodniowej audycji. Powyżej tego warto rozważyć dwa ulepszenia. Jeśli chcesz, żeby notatki generowały się automatycznie przy każdej publikacji odcinka, workflow w n8n wykonuje cały łańcuch bez kodu. Jeśli odcinek zasługuje na pełny artykuł zamiast notatek, ta sama transkrypcja zasila pipeline od filmu do wpisu na blogu — a jeśli wysyłasz maile do słuchaczy, te odcinkowe streszczenia składają się bezpośrednio w newsletter kanału.

Współdzielony klucz demo pokrywa 5 odcinków miesięcznie, czyli tyle, ile potrzebuje jedna audycja. Pełna lista parametrów, kody błędów i oba formaty nagłówka autoryzacji znajdują się w dokumentacji API pod adresem youtube2text.org/api.md — całość mieści się na jednej stronie, czyli mniej więcej na takim poziomie energii działa cały ten workflow.