今后的几年能克服其中个别缺点就好了

整体流程

主播开播
  ↓
StreamCap 自动监听并分段录音
  ↓
本地 Whisper 转成带时间戳的文字稿
  ↓
GPT 区分观点、论据、预测和事实
  ↓
生成 Markdown 复盘报告

第一步：用 StreamCap 监听并录音

StreamCap 是一个基于 FFmpeg 的开源直播录制工具，支持 Windows、macOS 和 Web 方式运行，也支持抖音等多个直播平台。

• 项目主页：https://github.com/ihmily/StreamCap
• 下载页面：https://github.com/ihmily/StreamCap/releases

从 Release 页面下载与系统对应的版本。Windows 解压后运行，macOS 下载 DMG 后安装即可。只从项目官方页面下载，不使用来历不明的打包版本。

打开 StreamCap 后，添加主播的公开主页地址或直播间地址，然后设置：

这次实测使用的是 WAV：40 分钟约占 404 MB。它没有经过有损压缩，适合排查识别问题，但长期使用没有必要。日常监听更适合 M4A；如果已经录成 WAV，也不需要重新录制，Whisper 可以直接读取。

建议把轮询间隔设得保守一些。频繁请求直播状态可能触发平台风控，项目本身也可能因为抖音接口调整而需要升级。

第二步：安装本地 Whisper

下面使用开源的 OpenAI Whisper。它支持中文，并能在 Apple Silicon、NVIDIA GPU 或 CPU 上运行。

先安装 FFmpeg。macOS 可以使用 Homebrew：

brew install ffmpeg

然后使用 uv 创建独立环境：

uv venv
source .venv/bin/activate
uv pip install openai-whisper

Windows 激活环境时使用：

.venv\Scripts\activate

首次运行会下载模型。中文财经直播建议从 small 开始：它比 base、tiny 更能识别板块名和财经术语，速度又明显快于 large。遇到大量公司名、方言或多人连麦时，再考虑更大的模型。

第三步：批量转写分段音频

把下面脚本保存为 transcribe_live.py。它会读取一个目录中的常见音频格式，按文件名排序，输出带全局时间戳的 Markdown 文字稿。

import argparse
import json
import subprocess
from pathlib import Path

import torch
import whisper


def media_duration(path: Path) -> float:
    result = subprocess.run(
        [
            "ffprobe",
            "-v",
            "error",
            "-show_entries",
            "format=duration",
            "-of",
            "json",
            str(path),
        ],
        check=True,
        capture_output=True,
        text=True,
    )
    return float(json.loads(result.stdout)["format"]["duration"])


def timestamp(seconds: float) -> str:
    total = round(seconds)
    hours, remainder = divmod(total, 3600)
    minutes, seconds = divmod(remainder, 60)
    return f"{hours:02d}:{minutes:02d}:{seconds:02d}"


parser = argparse.ArgumentParser()
parser.add_argument("audio_dir", type=Path)
parser.add_argument("--model", default="small")
parser.add_argument("--output", type=Path, default=Path("transcript.md"))
args = parser.parse_args()

if torch.cuda.is_available():
    device = "cuda"
elif torch.backends.mps.is_available():
    device = "mps"
else:
    device = "cpu"

model = whisper.load_model(args.model, device=device)
extensions = {".wav", ".mp3", ".m4a", ".aac", ".flac"}
audio_files = sorted(
    path for path in args.audio_dir.iterdir() if path.suffix.lower() in extensions
)
if not audio_files:
    parser.error("录音目录中没有找到支持的音频文件")

offset = 0.0
lines = ["# 直播文字稿", ""]

for audio_path in audio_files:
    result = model.transcribe(
        str(audio_path),
        language="zh",
        fp16=device != "cpu",
        condition_on_previous_text=True,
        initial_prompt=(
            "这是一场中文财经直播，请准确识别股票、指数、板块、基金、"
            "公司名称、价格、涨跌幅和投资术语。"
        ),
    )

    for segment in result["segments"]:
        text = segment["text"].strip()
        if text:
            lines.append(f"[{timestamp(offset + segment['start'])}] {text}")

    offset += media_duration(audio_path)

args.output.write_text("\n".join(lines) + "\n", encoding="utf-8")
print(f"已输出：{args.output}")

运行方式：

python transcribe_live.py "/你的/主播录音目录" \
  --model small \
  --output "2026-07-22-直播文字稿.md"

分段文件必须能按名称正确排序。StreamCap 默认文件名包含时间和分段序号，一般可以直接使用。如果文件名是手工修改过的，先确认排序结果与直播顺序一致。

第四步：让 GPT 提炼观点

不要只让 GPT “总结一下”。财经内容需要明确区分主播的立场、观察到的数据和未经验证的推测。可以使用下面的提示词：

你是一名严谨的财经内容分析助手。请分析下面的直播文字稿。

要求：
1. 不要把主播观点写成客观事实。
2. 提取核心观点，并为每条观点保留对应时间戳。
3. 分别列出主播给出的论据、预测、操作倾向和风险提示。
4. 标出缺少证据的因果推断、市场传闻和可能的前后矛盾。
5. 股票、指数、公司名或数字如果疑似转写错误，请标记“待核对”，不要自行补造。
6. 最后整理出未来可以验证的三到五条预测。
7. 不提供个性化投资建议。

输出结构：
- 一句话结论
- 核心观点
- 操作与仓位倾向
- 缺少证据或需要核查的内容
- 后续验证清单

直播文字稿：
{在这里粘贴带时间戳的文字稿}

如果文字稿太长，可以每 10 至 20 分钟总结一次，最后再把各段摘要交给 GPT 做全场归并。第二轮提示中应要求模型合并重复观点、保留变化过程，并指出主播前后是否改变立场。