Deepgram 播客章节生成器

要解决的实际问题

• 长音频章节切分依赖人工听辨，耗时且主观，导致同一节目在不同平台的时间戳难以统一。
• 播客 RSS 缺少结构化章节，听众难以快速跳转到感兴趣片段，也不利于 SEO 和内容检索。
• 手动整理 YouTube 时间戳与 Notion 数据库条目，重复劳动且易出错，版本维护成本高。
• 传统关键词检索无法利用音频内容，章节粒度粗或缺失，影响二次剪辑和再利用效率。

技术实现与核心能力

• 音频理解：将播客 MP3 URL 直接提交至 Deepgram Nova-2，利用其 paragraphs 和 summaries 能力获取带时间戳的文本与摘要，为后续分段提供基础。
• 章节聚类：采用 滑动窗口主题边界算法，对模型返回的时间戳进行聚类，自动生成逻辑连贯的章节区间，减少人工干预并保持结构一致性。
• 多格式输出：生成 YouTube 兼容章节时间戳，可直接用于视频描述；同时输出 RSS 就绪的 podcast:chapters JSON 源，便于播客平台直接渲染。
• 可选集成：通过配置可将章节数据发布为 Notion 数据库条目，实现内容与项目管理工具的联动，避免重复录入。

适用边界与注意点

• 模型依赖：音频质量、口音和背景噪音会影响 Deepgram Nova-2 的识别效果，进而影响章节边界准确性。
• 算法调优：滑动窗口参数需根据内容类型调整，窗口过小可能导致章节过碎，过大则降低逻辑性。
• 输出限制：YouTube 时间戳 需符合平台格式，RSS 源 需符合规范，否则可能无法正确解析。
• 集成成本：Notion 发布需提前配置数据库结构，字段映射错误会导致数据写入异常。
• 内容安全：敏感或版权受限音频需确保使用权限，避免违反平台或法律要求。