Extraction de Renseignements Vidéo
Vue d'ensemble
Extrayez des renseignements exploitables à partir de contenu vidéo sur YouTube, Vimeo et les sites web d'entreprise. La vidéo révèle ce que les sources textuelles ne peuvent pas : l'échelle des installations, la composition de l'équipe, les démonstrations de produits, la signalétique, la fréquentation des événements et la réalité opérationnelle.
Cette compétence se concentre sur l'extraction de métadonnées et de sous-titres (rapide, gratuit, sans coût de stockage) et ne télécharge des fichiers vidéo que lorsque l'analyse visuelle est nécessaire.
Quand l'utiliser
- L'entreprise cible possède une chaîne YouTube (même petite — les Shorts comptent)
- Le fondateur ou la direction apparaît dans des vidéos de podcast ou d'interview
- Des démonstrations de produits ou des visites guidées existent sur n'importe quelle plateforme
- Des enregistrements d'événements montrent le stand, les présentations ou la présence de l'entreprise
- Vous devez vérifier des affirmations (taille des installations, nombre d'employés, gamme de produits) avec des preuves visuelles
- Le site web de l'entreprise contient du contenu vidéo intégré
Prérequis
| Outil | Installation | Objectif |
|---|---|---|
| yt-dlp | pip install yt-dlp ou brew install yt-dlp | Téléchargement de métadonnées/de sous-titres vidéo |
| Python 3.10+ | Système | Analyse VTT, automatisation |
| Whisper (optionnel) | pip install openai-whisper | Transcription lorsqu'aucun sous-titre n'existe |
| ffmpeg (optionnel) | brew install ffmpeg | Extraction audio pour Whisper |
Phase 1 : Découverte
Énumération des chaînes YouTube
# Lister TOUTES les vidéos d'une chaîne (retourne les IDs + titres, sans téléchargement)
yt-dlp --flat-playlist --print "%(id)s %(title)s" "https://www.youtube.com/@CHANNEL_HANDLE"
# Inclure les dates de publication pour l'analyse temporelle
yt-dlp --flat-playlist --print "%(upload_date)s %(id)s %(title)s" "https://www.youtube.com/@CHANNEL_HANDLE"
Recherche YouTube
# Recherche YouTube (top 10 résultats)
yt-dlp --flat-playlist --print "%(id)s %(title)s" "ytsearch10:COMPANY_NAME"
# Recherche élargie (top 30)
yt-dlp --flat-playlist --print "%(id)s %(title)s" "ytsearch30:COMPANY_NAME founder interview"
Autres méthodes de découverte
| Source | Méthode |
|---|---|
| Recherche Google Vidéo | site:youtube.com "Company Name" |
| Site web de l'entreprise | Inspecter le code source pour <iframe src="youtube.com/embed/..."> |
| Vimeo | yt-dlp --flat-playlist "https://vimeo.com/USER" |
| Navigation manuelle — les vidéos ne peuvent pas être énumérées par programmation | |
| Plateformes d'événements | Vérifier les pages de session Sched/Emamo pour les liens vidéo intégrés |
Liste de contrôle de découverte
- Chaîne YouTube propre à l'entreprise cible
- Chaîne personnelle du fondateur/CEO ou apparitions en tant qu'invité
- Chaînes de podcasts du secteur où la cible a été interviewée
- Chaînes de conférences/événements avec les présentations de la cible
- Chaînes de partenaires/fournisseurs mentionnant la cible
- Chaînes de presse locale/médias couvrant la cible
Phase 2 : Capture
Métadonnées + Sous-titres (Par défaut — Aucun téléchargement vidéo)
# Chaîne entière — métadonnées + sous-titres automatiques, aucun fichier vidéo
yt-dlp --write-info-json --write-auto-sub --sub-lang en --skip-download \
--sleep-interval 2 "https://www.youtube.com/@CHANNEL"
# Vidéo unique
yt-dlp --write-info-json --write-auto-sub --sub-lang en --skip-download \
"https://www.youtube.com/watch?v=VIDEO_ID"
# Plusieurs vidéos spécifiques à partir d'une liste
yt-dlp --write-info-json --write-auto-sub --sub-lang en --skip-download \
--sleep-interval 2 -a video_urls.txt
Indicateurs yt-dlp clés
| Indicateur | Objectif |
|---|---|
--write-info-json | Sauvegarde les métadonnées complètes (titre, date, durée, description, tags, nombre de vues) |
--write-auto-sub | Télécharge les sous-titres générés automatiquement |
--sub-lang en | Sous-titres en anglais uniquement |
--skip-download | Aucun fichier vidéo/audio — métadonnées uniquement |
--sleep-interval 2 | Limitation du débit (critique pour les chaînes de 30+ vidéos) |
--flat-playlist | Mode liste — énumérer sans rien télécharger |
-f "bestvideo[height<=720]+bestaudio" | Télécharger la vidéo à une qualité raisonnable |
-x --audio-format mp3 | Extraire l'audio uniquement (pour Whisper) |
Télécharger des fichiers vidéo (quand l'analyse visuelle est nécessaire)
# Max 720p (bon équilibre entre qualité et taille de fichier)
yt-dlp -f "bestvideo[height<=720]+bestaudio" --merge-output-format mp4 VIDEO_URL
# Audio uniquement pour la transcription Whisper
yt-dlp -x --audio-format mp3 VIDEO_URL
Structure des fichiers de sortie
project/
├── raw/video/
│ ├── Titre de la vidéo [VIDEO_ID].info.json # Métadonnées
│ ├── Titre de la vidéo [VIDEO_ID].en.vtt # Sous-titres automatiques (format VTT)
│ └── Titre de la vidéo [VIDEO_ID].mp4 # Fichier vidéo (uniquement s'il est téléchargé)
├── transcripts/
│ ├── VIDEO_ID_transcript.txt # Texte brut analysé
│ └── VIDEO_ID_transcript.txt
└── analysis/
└── video_intelligence_summary.md
Phase 3 : Analyse VTT
Convertir les sous-titres VTT en texte brut
import re
import glob
def vtt_to_text(vtt_path):
"""Analyse un fichier de sous-titres VTT pour obtenir un texte brut propre."""
with open(vtt_path) as f:
content = f.read()
# Supprimer l'en-tête WEBVTT et les métadonnées
content = re.sub(r'WEBVTT.*?\n', '', content, flags=re.DOTALL)
# Supprimer les lignes d'horodatage
content = re.sub(r'\d{2}:\d{2}:\d{2}\.\d+ --> .*', '', content)
# Supprimer les balises de formatage de style HTML
content = re.sub(r'<[^>]+>', '', content)
# Dédupliquer les lignes consécutives répétées et les joindre
lines = []
for l in content.split('\n'):
l = l.strip()
if l and not l.isdigit() and (not lines or l != lines[-1]):
lines.append(l)
return ' '.join(lines)
def batch_parse_vtts(vtt_dir, output_dir):
"""Analyse tous les fichiers VTT d'un répertoire en texte brut."""
import os
os.makedirs(output_dir, exist_ok=True)
for vtt_file in glob.glob(f"{vtt_dir}/*.vtt"):
text = vtt_to_text(vtt_file)
# Extraire l'ID vidéo du motif de nom de fichier "Titre [VIDEO_ID].en.vtt"
video_id = re.search(r'\[([^\]]+)\]', vtt_file)
if video_id:
out_name = f"{video_id.group(1)}_transcript.txt"
else:
out_name = os.path.basename(vtt_file).replace('.en.vtt', '_transcript.txt')
with open(os.path.join(output_dir, out_name), 'w') as f:
f.write(text)
print(f"Analyse terminée : {out_name} ({len(text.split())} mots)")
Phase 4 : Solution de secours Whisper (aucun sous-titre disponible)
Lorsque les sous-titres automatiques n'existent pas (courant pour les Shorts, les vidéos plus anciennes, le contenu non anglais) :
# Téléchargement audio uniquement
yt-dlp -x --audio-format mp3 -o "%(id)s.%(ext)s" VIDEO_URL
# Transcrire avec Whisper
whisper VIDEO_ID.mp3 --model base --language en --output_format txt
# Pour une meilleure précision des noms propres (3 à 5 fois plus lent) :
whisper VIDEO_ID.mp3 --model medium --language en --output_format txt
Quand les sous-titres n'existent généralement pas
- YouTube Shorts (< 60 secondes)
- Vidéos téléchargées avant environ 2015 (ère pré-sous-titres automatiques)
- Vidéos non listées/privées
- Contenu à forte composante musicale avec peu de parole
- Contenu non anglais sans langue spécifiée
Phase 5 : Extraction de renseignements
Renseignements extraits des métadonnées (info.json)
Chaque fichier .info.json contient :
| Champ | Valeur de renseignement |
|---|---|
upload_date | Chronologie de l'activité de l'entreprise et de sa stratégie de contenu |
duration | Court = promo ; Long = interview approfondie |
description | Contient souvent des liens, des noms, des horodatages, des mentions de partenaires |
tags | Stratégie SEO, catégories auto-identifiées |
view_count | Quel contenu résonne avec leur public |
like_count | Signal de qualité d'engagement |
channel | Qui l'a publié (leur chaîne vs. apparition en tant qu'invité) |
Liste de contrôle des renseignements issus des transcriptions
- Personnes nommées (employés, partenaires, clients)
- Chiffres de revenus/croissance mentionnés de manière informelle dans les interviews
- Projets futurs ou stratégie discutés
- Points faibles ou défis admis
- Mentions de concurrents (positives ou négatives)
- Plans d'embauche ou références à la taille de l'équipe
- Feuille de route produit ou annonces de fonctionnalités
- Noms de clients ou études de cas mentionnés verbalement
Liste de contrôle des renseignements visuels (nécessite le téléchargement de la vidéo)
- Taille et état des installations/entrepôts
- Nombre d'employés visibles (indicateur de la taille de l'équipe)
- Produits sur les étagères ou dans les démos (étendue de l'inventaire)
- Équipements et machines (signaux d'investissement en capital)
- Signalétique, image de marque et utilisation du logo
- Taille et qualité de conception du stand événementiel
- Parc de véhicules (capacité de livraison)
- Interactions avec les clients capturées par la caméra
- Identifiants géographiques/de localisation en arrière-plan
Cas particuliers et pièges
-
Limitation de débit YouTube — Utilisez
--sleep-interval 2entre les téléchargements. Des erreurs DNS apparaissent après 30+ requêtes rapides. Pour les grandes chaînes, divisez en lots de 20. -
Noms de fichiers des téléchargements de chaînes — yt-dlp nomme les fichiers comme "Titre [VIDEO_ID].ext" lors du téléchargement depuis des chaînes. Les espaces et caractères spéciaux dans les titres cassent les scripts shell. Utilisez
-o "%(id)s.%(ext)s"pour des noms de fichiers propres. -
Téléchargements en double — Même interview téléchargée sous différentes chaînes ou titres. Recoupez par durée + date de téléchargement pour détecter les doublons avant de consacrer du temps à les analyser tous les deux.
-
Vidéos natives LinkedIn — NE PEUVENT PAS être téléchargées par programmation. Les URL CDN LinkedIn sont authentifiées et expirent en quelques heures. Signalez comme tâche manuelle : "Enregistrer sous Web complet" dans le navigateur, ou capture d'écran des images clés.
-
Shorts vs. vidéos complètes — Le format d'URL Shorts est
youtube.com/shorts/IDmais yt-dlp gère les deux formats de manière transparente. Ne sautez pas les Shorts — ils montrent souvent des produits, des installations et la culture d'équipe. -
Vidéos non listées — Ne figurent pas dans les listes de chaînes mais sont accessibles via URL directe. Les moteurs de recherche peuvent les avoir indexées. Vérifiez le cache Google et Wayback Machine pour les URL non listées qui ont déjà été liées publiquement.
-
Qualité des sous-titres automatiques — Pas de ponctuation, parfois des noms propres déformés (Celina → Selena, BROGAV → ProGraph). Précision des mots de 95 %+ pour le discours anglais standard. Vérifiez toujours les noms d'entreprise/de personne par rapport à des sources fiables.
-
Date de téléchargement vs. date du contenu — Les vidéos peuvent être téléchargées des semaines ou des mois après l'enregistrement. Vérifiez la description et les indices audio pour la date d'enregistrement réelle. Les vidéos d'événements sont particulièrement décalées.
-
info.json est en or — Capturez toujours avec
--write-info-json. Le champ de description contient souvent des horodatages, des noms d'invités, des liens vers des ressources et des mentions de partenaires qui ne sont pas dans la vidéo elle-même. -
Les horodatages VTT sont précieux — La conversion en texte brut perd les informations temporelles. Conservez les fichiers VTT originaux comme source de vérité. Les horodatages vous permettent de trouver des moments spécifiques pour une vérification visuelle.
Anti-patrons
| À ne pas faire | À faire à la place |
|---|---|
| Ignorer les Shorts parce qu'ils sont courts | Examiner les Shorts pour les renseignements visuels (produits, installations, équipe) |
| Supposer que toutes les vidéos ont des sous-titres | Vérifier ; utiliser Whisper comme solution de secours pour le contenu non sous-titré |
| Télécharger des fichiers vidéo par défaut | Commencer par --skip-download ; obtenir la vidéo uniquement pour l'analyse visuelle |
| Essayer d'automatiser le téléchargement de vidéos LinkedIn | Signaler comme tâche manuelle ; les URL CDN sont authentifiées |
| Faire confiance à la date de téléchargement comme date du contenu | Recouper avec la description, les indices audio, les dates d'événement |
| Télécharger toute la chaîne à la fois sans limitation de débit | Utiliser --sleep-interval 2 et diviser en lots de 20 |
| Analyser uniquement les transcriptions, ignorer info.json | Les métadonnées contiennent des noms, des liens, des tags qui ne sont pas dans l'audio |
| Considérer la vidéo comme inférieure aux sources textuelles | La vidéo confirme de manière unique la réalité physique (installations, équipe, produits) |
Arbre de décision
Le contenu est sur YouTube ?
├── OUI → yt-dlp --write-info-json --write-auto-sub --skip-download
│ ├── A des sous-titres ? → Analyser VTT en texte → Extraire les renseignements
│ └── Pas de sous-titres ?
│ ├── Vidéo > 60 s avec parole ? → yt-dlp -x → Whisper → Analyser
│ └── Court/visuel uniquement ? → Télécharger vidéo → Analyse visuelle
└── NON →
├── Vimeo → yt-dlp le prend en charge (même flux de travail que YouTube)
├── Vidéo LinkedIn → Manuel "Enregistrer sous Web complet" (signaler comme tâche manuelle)
├── Intégration site web entreprise → Extraire l'URL iframe → généralement YouTube/Vimeo
└── Autre plateforme → Vérifier la liste des sites pris en charge par yt-dlp
Résultats concrets (Étude de cas BROGAV)
| Métrique | Valeur |
|---|---|
| Total des vidéos découvertes | 45 (9 de longue durée, 36 Shorts) |
| Fichiers de sous-titres VTT capturés | 10 |
| Transcriptions analysées en texte | 10 |
| Interviews substantielles analysées | 2 (5 000+ mots chacune) |
| Podcast via RSS/solution de secours Whisper | 1 (6 489 mots) |
| Vidéos en double détectées | 1 (même interview, deux chaînes) |
| Renseignements uniques extraits | Histoire des fondateurs, signaux de revenus, plans de croissance, relations fournisseurs, détails des installations, culture d'équipe |
| Renseignements visuels des Shorts | Gamme de produits, disposition de l'entrepôt, gamme de meubles de marque, inventaire saisonnier |
Intégration avec d'autres compétences
| Compétence | Point d'intégration |
|---|---|
deep-research | La vidéo est une source de phase 3/4 parallèlement à la recherche web |
intelligence-dossier | Les transcriptions vidéo alimentent les sections Personnes, Produits, Signaux financiers |
client-discovery-osint | Les vidéos de témoignages clients nomment directement les clients |
supplier-verification | Les vidéos de démonstration de produits montrent les logos des fournisseurs et les produits de marque |
era-validated-linkedin-analysis | Les dates de téléchargement des vidéos sont recoupées avec la chronologie d'activité LinkedIn |
contact-sheet-image-analysis | Les captures d'écran vidéo peuvent être analysées par lots via des grilles de vignettes |