Que fait Transcription de vidéos YouTube ?
Transcrivez des vidéos YouTube en texte à l'aide d'OpenAI Whisper et yt-dlp.
Aperçu
Cette compétence télécharge l'audio de vidéos YouTube avec yt-dlp et le transcrit à l'aide du modèle Whisper d'OpenAI. Elle prend en charge plusieurs formats de sortie (txt, srt, vtt, json) et différentes tailles de modèle pour différents compromis précision/vitesse.
Instructions
1. Installer les dépendances
# Installer whisper et yt-dlp
pip install openai-whisper yt-dlp
# Vérifier que ffmpeg est installé (nécessaire pour le traitement audio)
ffmpeg -version
Si ffmpeg est manquant :
- macOS :
brew install ffmpeg - Ubuntu/Debian :
sudo apt install ffmpeg - Windows : Téléchargez depuis https://ffmpeg.org/download.html
2. Télécharger l'audio depuis YouTube
# Télécharger la meilleure qualité audio au format WAV
yt-dlp -x --audio-format wav -o "%(title)s.%(ext)s" "YOUTUBE_URL"
# Télécharger en MP3 (fichier plus léger)
yt-dlp -x --audio-format mp3 -o "%(title)s.%(ext)s" "YOUTUBE_URL"
# Télécharger avec l'ID vidéo comme nom de fichier (plus sûr pour les caractères spéciaux)
yt-dlp -x --audio-format wav -o "%(id)s.%(ext)s" "YOUTUBE_URL"
3. Choisir le modèle Whisper
| Modèle | Paramètres | VRAM | Vitesse relative | Cas d'utilisation |
|---|---|---|---|---|
| tiny | 39M | ~1 Go | ~32x | Brouillons rapides, tests |
| base | 74M | ~1 Go | ~16x | Transcription rapide |
| small | 244M | ~2 Go | ~6x | Bon équilibre |
| medium | 769M | ~5 Go | ~2x | Haute précision |
| large | 1550M | ~10 Go | 1x | Meilleure précision |
Les modèles uniquement anglais (tiny.en, base.en, small.en, medium.en) sont plus rapides pour le contenu en anglais.
4. Exécuter la transcription
Approche en ligne de commande :
# Transcription de base (détection automatique de la langue)
whisper audio.wav --model medium
# Spécifier la langue pour une meilleure précision
whisper audio.wav --model medium --language en
# Format de sortie spécifique
whisper audio.wav --model medium --output_format srt
# Tous les formats à la fois
whisper audio.wav --model medium --output_format all
# Spécifier le répertoire de sortie
whisper audio.wav --model medium --output_dir ./transcripts
Approche Python :
import whisper
# Charger le modèle (téléchargé au premier lancement)
model = whisper.load_model("medium")
# Transcrire
result = model.transcribe("audio.wav", language="en")
# Obtenir le texte brut
print(result["text"])
# Obtenir les segments avec horodatage
for segment in result["segments"]:
print(f"[{segment['start']:.2f} - {segment['end']:.2f}] {segment['text']}")
5. Pipeline en une ligne
Combiner téléchargement et transcription :
# Télécharger et transcrire en une seule commande
yt-dlp -x --audio-format wav -o "audio.wav" "YOUTUBE_URL" && whisper audio.wav --model medium --output_format all
6. Alternative : outil yt-whisper
Pour un flux de travail plus simple, utilisez le paquet dédié yt-whisper :
# Installer
pip install git+https://github.com/m1guelpf/yt-whisper.git
# Transcrire directement à partir de l'URL
yt_whisper "https://www.youtube.com/watch?v=VIDEO_ID"
# Avec options
yt_whisper "YOUTUBE_URL" --model medium --language en --output_format srt
Formats de sortie
| Format | Extension | Description |
|---|---|---|
| txt | .txt | Transcription en texte brut |
| srt | .srt | Format de sous-titres SubRip (avec horodatages) |
| vtt | .vtt | Format de sous-titres WebVTT |
| tsv | .tsv | Valeurs séparées par des tabulations |
| json | .json | Données complètes avec horodatages au niveau du mot |
Exemples
Directives
- Utilisez le drapeau
--languagelorsque vous connaissez la langue parlée pour une précision nettement meilleure - Pour les vidéos longues (>1 heure), utilisez le modèle
smalloumediumpour équilibrer vitesse et précision - Les modèles uniquement anglais (suffixe
.en) sont plus rapides et plus précis pour le contenu en anglais - Un GPU avec CUDA accélère considérablement la transcription ; un CPU fonctionne mais est 5 à 10 fois plus lent
- Si la transcription échoue, assurez-vous que ffmpeg est correctement installé et dans le PATH
- Pour les vidéos avec musique de fond, les modèles plus grands (medium/large) gèrent mieux cela
- Nettoyez les fichiers audio après la transcription pour économiser de l'espace disque
- Utilisez
--output_format allpour obtenir tous les formats à la fois, puis choisissez ce dont vous avez besoin