YouTube-Transkription
Transkribiere YouTube-Videos mit OpenAI Whisper und yt-dlp in Text.
Überblick
Diese Fähigkeit lädt Audiodaten von YouTube-Videos mit yt-dlp herunter und transkribiert sie mit OpenAIs Whisper-Modell. Sie unterstützt mehrere Ausgabeformate (txt, srt, vtt, json) und verschiedene Modellgrößen für unterschiedliche Genauigkeits-/Geschwindigkeitsabwägungen.
Anleitung
1. Abhängigkeiten installieren
# Whisper und yt-dlp installieren
pip install openai-whisper yt-dlp
# Überprüfen, ob ffmpeg installiert ist (für Audioverarbeitung erforderlich)
ffmpeg -version
Falls ffmpeg fehlt:
- macOS:
brew install ffmpeg - Ubuntu/Debian:
sudo apt install ffmpeg - Windows: Download von https://ffmpeg.org/download.html
2. Audio von YouTube herunterladen
# Beste Audioqualität als WAV herunterladen
yt-dlp -x --audio-format wav -o "%(title)s.%(ext)s" "YOUTUBE_URL"
# Als MP3 herunterladen (kleinere Datei)
yt-dlp -x --audio-format mp3 -o "%(title)s.%(ext)s" "YOUTUBE_URL"
# Mit Video-ID als Dateiname (sicherer für Sonderzeichen)
yt-dlp -x --audio-format wav -o "%(id)s.%(ext)s" "YOUTUBE_URL"
3. Whisper-Modell auswählen
| Modell | Parameter | VRAM | Relative Geschwindigkeit | Anwendungsfall |
|---|---|---|---|---|
| tiny | 39M | ~1 GB | ~32x | Schnelle Entwürfe, Tests |
| base | 74M | ~1 GB | ~16x | Schnelle Transkription |
| small | 244M | ~2 GB | ~6x | Gute Balance |
| medium | 769M | ~5 GB | ~2x | Hohe Genauigkeit |
| large | 1550M | ~10 GB | 1x | Beste Genauigkeit |
Nur-Englisch-Modelle (tiny.en, base.en, small.en, medium.en) sind schneller für englische Inhalte.
4. Transkription ausführen
CLI-Ansatz:
# Einfache Transkription (automatische Spracherkennung)
whisper audio.wav --model medium
# Sprache für bessere Genauigkeit angeben
whisper audio.wav --model medium --language en
# Bestimmtes Ausgabeformat
whisper audio.wav --model medium --output_format srt
# Alle Formate auf einmal
whisper audio.wav --model medium --output_format all
# Ausgabeverzeichnis angeben
whisper audio.wav --model medium --output_dir ./transcripts
Python-Ansatz:
import whisper
# Modell laden (wird beim ersten Start heruntergeladen)
model = whisper.load_model("medium")
# Transkribieren
result = model.transcribe("audio.wav", language="en")
# Text ausgeben
print(result["text"])
# Segmente mit Zeitstempeln ausgeben
for segment in result["segments"]:
print(f"[{segment['start']:.2f} - {segment['end']:.2f}] {segment['text']}")
5. Ein-Kommando-Pipeline
Download und Transkription kombinieren:
# In einem Befehl herunterladen und transkribieren
yt-dlp -x --audio-format wav -o "audio.wav" "YOUTUBE_URL" && whisper audio.wav --model medium --output_format all
6. Alternative: yt-whisper-Tool
Für einen einfacheren Workflow das dedizierte yt-whisper-Paket verwenden:
# Installieren
pip install git+https://github.com/m1guelpf/yt-whisper.git
# Direkt von URL transkribieren
yt_whisper "https://www.youtube.com/watch?v=VIDEO_ID"
# Mit Optionen
yt_whisper "YOUTUBE_URL" --model medium --language en --output_format srt
Ausgabeformate
| Format | Erweiterung | Beschreibung |
|---|---|---|
| txt | .txt | Reiner Text, Transkript |
| srt | .srt | SubRip-Untertitelformat (mit Zeitstempeln) |
| vtt | .vtt | WebVTT-Untertitelformat |
| tsv | .tsv | Tabstopp-getrennte Werte |
| json | .json | Vollständige Daten mit Wort-für-Wort-Zeitstempeln |
Beispiele
Richtlinien
- Verwende das
--language-Flag, wenn die gesprochene Sprache bekannt ist, für eine deutlich bessere Genauigkeit - Für lange Videos (>1 Stunde) verwende das
small- odermedium-Modell, um Geschwindigkeit und Genauigkeit auszugleichen - Nur-Englisch-Modelle (
.en-Suffix) sind schneller und genauer für englische Inhalte - Eine GPU mit CUDA beschleunigt die Transkription erheblich; CPU funktioniert, ist aber 5-10x langsamer
- Falls die Transkription fehlschlägt, stelle sicher, dass ffmpeg korrekt installiert und im PATH ist
- Für Videos mit Hintergrundmusik sind größere Modelle (medium/large) besser geeignet
- Bereinige Audiodateien nach der Transkription, um Speicherplatz zu sparen
- Verwende
--output_format all, um alle Formate auf einmal zu erhalten und dann das Benötigte auszuwählen