Transcription de vidéos YouTube
Transcrire des vidéos YouTube en texte à l'aide d'OpenAI Whisper et yt-dlp.
Présentation
Cette compétence télécharge l'audio des vidéos YouTube avec yt-dlp et le transcrit avec le modèle Whisper d'OpenAI. Elle prend en charge plusieurs formats de sortie (txt, srt, vtt, json) et différentes tailles de modèles pour équilibrer précision et rapidité.
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" "URL_YOUTUBE"
# Télécharger en MP3 (fichier plus léger)
yt-dlp -x --audio-format mp3 -o "%(title)s.%(ext)s" "URL_YOUTUBE"
# Télécharger avec l'ID vidéo comme nom (plus sûr pour les caractères spéciaux)
yt-dlp -x --audio-format wav -o "%(id)s.%(ext)s" "URL_YOUTUBE"
3. Choisir le modèle Whisper
| Modèle | Paramètres | VRAM | Vitesse relative | Cas d'usage |
|---|---|---|---|---|
| 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 anglais uniquement (tiny.en, base.en, small.en, medium.en) sont plus rapides pour du 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 ./transcriptions
Approche Python :
import whisper
# Charger le modèle (téléchargement au premier lancement)
model = whisper.load_model("medium")
# Transcrire
resultat = model.transcribe("audio.wav", language="en")
# Obtenir le texte brut
print(resultat["text"])
# Obtenir les segments avec horodatage
for segment in resultat["segments"]:
print(f"[{segment['start']:.2f} - {segment['end']:.2f}] {segment['text']}")
5. Pipeline en une commande
Combiner le téléchargement et la transcription :
# Télécharger et transcrire en une seule commande
yt-dlp -x --audio-format wav -o "audio.wav" "URL_YOUTUBE" && 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 depuis une URL
yt_whisper "https://www.youtube.com/watch?v=ID_VIDEO"
# Avec options
yt_whisper "URL_YOUTUBE" --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 horodatage) |
| vtt | .vtt | Format de sous-titres WebVTT |
| tsv | .tsv | Valeurs séparées par des tabulations |
| json | .json | Données complètes avec horodatage 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 anglais uniquement (suffixe
.en) sont plus rapides et plus précis pour du contenu en anglais - Un GPU avec CUDA accélère considérablement la transcription ; le 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 la situation
- Supprimez 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