Transcripción de Videos de YouTube
Transcribe videos de YouTube a texto usando OpenAI Whisper y yt-dlp.
Descripción General
Este skill descarga el audio de videos de YouTube mediante yt-dlp y lo transcribe usando el modelo Whisper de OpenAI. Soporta múltiples formatos de salida (txt, srt, vtt, json) y varios tamaños de modelo para diferentes equilibrios entre precisión y velocidad.
Instrucciones
1. Instalar dependencias
# Instalar whisper y yt-dlp
pip install openai-whisper yt-dlp
# Verificar que ffmpeg esté instalado (requerido para el procesamiento de audio)
ffmpeg -version
Si ffmpeg falta:
- macOS:
brew install ffmpeg - Ubuntu/Debian:
sudo apt install ffmpeg - Windows: Descargar desde https://ffmpeg.org/download.html
2. Descargar audio de YouTube
# Descargar la mejor calidad de audio como WAV
yt-dlp -x --audio-format wav -o "%(title)s.%(ext)s" "URL_DE_YOUTUBE"
# Descargar como MP3 (archivo más pequeño)
yt-dlp -x --audio-format mp3 -o "%(title)s.%(ext)s" "URL_DE_YOUTUBE"
# Descargar con el ID del video como nombre de archivo (más seguro para caracteres especiales)
yt-dlp -x --audio-format wav -o "%(id)s.%(ext)s" "URL_DE_YOUTUBE"
3. Elegir el modelo Whisper
| Modelo | Parámetros | VRAM | Velocidad Relativa | Caso de Uso |
|---|---|---|---|---|
| tiny | 39M | ~1 GB | ~32x | Borradores rápidos, pruebas |
| base | 74M | ~1 GB | ~16x | Transcripción rápida |
| small | 244M | ~2 GB | ~6x | Buen equilibrio |
| medium | 769M | ~5 GB | ~2x | Alta precisión |
| large | 1550M | ~10 GB | 1x | Mejor precisión |
Los modelos solo inglés (tiny.en, base.en, small.en, medium.en) son más rápidos para contenido en inglés.
4. Ejecutar la transcripción
Enfoque desde la línea de comandos:
# Transcripción básica (detección automática de idioma)
whisper audio.wav --model medium
# Especificar idioma para mejor precisión
whisper audio.wav --model medium --language es
# Formato de salida específico
whisper audio.wav --model medium --output_format srt
# Todos los formatos a la vez
whisper audio.wav --model medium --output_format all
# Especificar directorio de salida
whisper audio.wav --model medium --output_dir ./transcripciones
Enfoque desde Python:
import whisper
# Cargar modelo (se descarga en la primera ejecución)
model = whisper.load_model("medium")
# Transcribir
result = model.transcribe("audio.wav", language="es")
# Obtener texto plano
print(result["text"])
# Obtener segmentos con marcas de tiempo
for segment in result["segments"]:
print(f"[{segment['start']:.2f} - {segment['end']:.2f}] {segment['text']}")
5. Tubería de un solo comando
Combinar descarga y transcripción:
# Descargar y transcribir en un solo comando
yt-dlp -x --audio-format wav -o "audio.wav" "URL_DE_YOUTUBE" && whisper audio.wav --model medium --output_format all
6. Alternativa: herramienta yt-whisper
Para un flujo de trabajo más simple, usa el paquete dedicado yt-whisper:
# Instalar
pip install git+https://github.com/m1guelpf/yt-whisper.git
# Transcribir directamente desde la URL
yt_whisper "https://www.youtube.com/watch?v=ID_DEL_VIDEO"
# Con opciones
yt_whisper "URL_DE_YOUTUBE" --model medium --language es --output_format srt
Formatos de Salida
| Formato | Extensión | Descripción |
|---|---|---|
| txt | .txt | Transcripción en texto plano |
| srt | .srt | Formato de subtítulos SubRip (con marcas de tiempo) |
| vtt | .vtt | Formato de subtítulos WebVTT |
| tsv | .tsv | Valores separados por tabulaciones |
| json | .json | Datos completos con marcas de tiempo a nivel de palabra |
Ejemplos
Directrices
- Usa el flag
--languagecuando sepas el idioma hablado para obtener una precisión significativamente mejor - Para videos largos (>1 hora), usa el modelo
smallomediumpara equilibrar velocidad y precisión - Los modelos solo inglés (sufijo
.en) son más rápidos y precisos para contenido en inglés - Una GPU con CUDA acelera drásticamente la transcripción; la CPU funciona pero es de 5 a 10 veces más lenta
- Si la transcripción falla, asegúrate de que ffmpeg esté instalado correctamente y en el PATH
- Para videos con música de fondo, los modelos más grandes (medium/large) la manejan mejor
- Limpia los archivos de audio después de la transcripción para ahorrar espacio en disco
- Usa
--output_format allpara obtener todos los formatos a la vez y luego elegir el que necesites