yaya-xspace —— X Space → 干货笔记
Space 链接(或本地音频)→ 带说话人的对话稿 → 立场化干货笔记。
本 skill 是编排层,依赖两个兄弟 skill:yaya-xdl(下载 Space 音频)、 yaya-asr(转写 + 说话人分离)。它自己只做:把两者串起来 + LLM 蒸馏。
何时使用
- 用户发来
x.com/i/spaces/...链接或 13 位 Space ID - 用户已下好 Space 音频文件,想转写 + 提炼
- 用户说"Space 蒸馏""转写这场""提炼干货""谁说了什么"
不适用:普通会议/访谈录音(用 yaya-asr 就够,不需要蒸馏);实时直播中的 Space(只支持已结束的回放)。
快速开始
bash {baseDir}/run.sh "https://x.com/i/spaces/<id>"
bash {baseDir}/run.sh "/path/to/space.m4a" --speakers 12
参数
| 参数 | 说明 |
|---|---|
--speakers N |
推荐显式给实际活跃说话人数(强制聚类类数,不是上限:11 人场给 12;人少的录音务必给真实人数)。-1 自动聚类在长音频上易过分割 |
--no-keep-audio |
跑完删除音频。默认保留(下载即归档,重跑不用再下) |
--no-card |
跳过分享图(distilled.png)。默认出图,依赖本机 Chrome,失败只警告不影响笔记 |
--no-page |
跳过收听页(distilled.html)。默认生成(蒸馏/重出图/勘误后都会刷新),失败只警告 |
--style S |
分享图风格:swiss 国际风(默认,白底黑体红方块) / editorial 杂志风 / riso 丝印潮风 / midnight 夜读 / hand 手绘白板。出图后日志会提醒可随时换 |
--card-only |
只出分享图:对已有 distilled.md 直接重新出图(换 --style、重出高清图),跳过下载/转写/蒸馏。输出 distilled.<风格>.png,各风格并存不覆盖,也不动正式的 distilled.png。src 仍传 Space 链接或 13 位 ID |
--all-styles |
配合 --card-only:五种风格一次全出。改稿/改错名后必用这个——五张图同源于一份 distilled.md(图不存字,每次现渲),一键全重出杜绝图间新旧不一 |
--rename "旧名=新名" |
错名勘误一条龙:文本三件套(distilled.md / dialog.txt / dialog.srt)+ speaker_names.json 一次改齐,然后五风格全重出图;配 --no-card 只改文本。多个替换用英文逗号分隔。改名字必须稿图一起动,只改一半最坑人 |
--llm-model M |
蒸馏模型,默认 glm-5.3-flash |
--transcript-only |
只转写,不蒸馏 |
--no-crosscheck |
跳过双参数交叉校验(省一半时间) |
产物
产物就落在 skill 自己的 out/(数据跟 skill 走),一场一个目录,音频默认保留:
skills/yaya-xspace/out/<space-id>/
├── audio.m4a 音频归档(下载即归档;--no-keep-audio 才删)
├── distilled.md ★ 最终干货(按说话人分组 + 关键名词总表)
├── distilled.png ★ 分享图(笔记自动渲染成一张可直接发推的图)
├── distilled.html ★ 收听页(蒸馏栏 + 逐字稿时间流,点哪段听哪段;配同目录 audio.m4a)
├── <audio>.labeled.json ★ 结构化转写(机器接口,说话人=字母)
├── <audio>.dialog.txt ★ 带说话人的对话稿(真名:文本)
├── <audio>.dialog.srt 带说话人的字幕([真名])
└── speaker_names.json 字母→真名 映射(对外文本用真名;labeled/turns 保持字母)
⚠️ 陷阱:一场 Space 可能是多段(真实案例)
这是本 skill 最容易踩的坑,代价极高——你会拿到"半场"而不自知。
主持人断线重连会新开一个 Space(新 ID),两段各自独立、各有各的链接。真实案例:一场 152 分钟的 Space 被拆成两段(91 分钟 + 60 分钟),只拿到第二段会得出"某内容不存在"的错误结论。
识别信号(录音开头出现这些,说明它是"第二段"):
- 开头有大段静音(重连空档)
- 有人说"网络有问题""大家都断了""你俩继续""我们刚才讲到哪"
- 有人转述"前面的大佬说了…"但那些人的发言不在录音里
应对:发现信号时主动问用户"这场是不是还有另一段",别默认拿到的是全部。
人名识别:字母 → 真名的两层局限
蒸馏后 apply_speaker_names() 把对外产物的字母标签换成真名(映射从蒸馏稿署名解析)。但别指望全自动:
- ASR 同音误听会污染整个映射(真实案例):主播 ID「魂蓝」被整场听写成「黄蓝」,转写稿里出现 133 次「黄蓝姐」——稿内证据再多也是错的,两个 LLM 独立蒸馏给出了相反的名字。唯一可靠解法是名单:跑之前去 Space 页面抄一眼主讲/嘉宾账号名,跑时传入:
bash run.sh "<space-url>" --roster "主持人:Punk;主讲嘉宾:魂蓝姐" - LLM 署名格式会漂移(观测过的四种:
B / 魂蓝姐、B:魂蓝姐、说话人 B / 魂蓝姐、说话人 G·小A)。SYSTEM_PROMPT 已锁定**X / 名字(…)**格式,distill.py 落盘前还有_normalize_speaker_headers()归一兜底;仍解析不出的字母保留原字母(宁可留字母,不改坏标题)。
蒸馏兜底(1301 内容审核)
智谱对转写稿做内容安全审核(错误码 1301,情趣/医疗等题材易触发),且同输入随机拦放——重试经常能过。拦截时 distill.py 会报错并给出选项,不要自动换通道,提示用户三选一:
- 原样重跑:缓存命中,只花一次 LLM 调用(首推,多半就过了)
--llm-model换智谱其他模型:同审核体系,不保证过- 改用本机其他 LLM CLI(用户拍板用哪个,按该 CLI 的调用格式来)。转写产物完好,重蒸馏要点:
- prompt 组装照抄
distill.py:SYSTEM_PROMPT+ 标题 + roster +render(segs, with_time=True)的转写稿 - 清洗输出:LLM 可能输出多份/代码围栏/板块重复——取最后一份完整蒸馏(以「一句话总结」起、「可行动项」终)
- 署名归一(复用
distill._normalize_speaker_headers)后落盘distilled.md(header 格式照抄main()),再调apply_speaker_names(outdir, md)+card.render(md, workdir=…, style=…)收尾 - 对话稿若已被旧映射改过名(行首不再是字母),先从
labeled.json重渲染字母版(格式照抄asr.py的 dialog.txt/srt)再套新映射
- prompt 组装照抄
必读边界
- 只能下开了录音、未过留存期的 Space。主持人没开 "Record Space" → 无音频;超过 30 天 → 被删。
- 私密/受限 Space 需要 cookie:下载由 yaya-xdl 负责,目前需手动给它的 yt-dlp 加
--cookies-from-browser chrome。 - X 没有 Space 归档/搜索——回放 30 天即删且搜不到。下载即归档,否则那段语音永久消失。
环境要求
依赖 uv + ffmpeg + 智谱 key(ZAI_CODING_CN_API_KEY)。转写环境由 yaya-asr 自动准备,下载环境由 yaya-xdl 负责(uvx yt-dlp 零安装)。