O que Transcrição de Vídeos do YouTube faz?
Transcreve vídeos do YouTube para texto usando OpenAI Whisper e yt-dlp.
Visão Geral
Esta skill baixa o áudio de vídeos do YouTube usando yt-dlp e o transcreve usando o modelo Whisper da OpenAI. Suporta múltiplos formatos de saída (txt, srt, vtt, json) e vários tamanhos de modelo para diferentes compromissos entre precisão e velocidade.
Instruções
1. Instalar dependências
# Instalar whisper e yt-dlp
pip install openai-whisper yt-dlp
# Verificar se o ffmpeg está instalado (necessário para processamento de áudio)
ffmpeg -version
Se o ffmpeg estiver faltando:
- macOS:
brew install ffmpeg - Ubuntu/Debian:
sudo apt install ffmpeg - Windows: Baixe de https://ffmpeg.org/download.html
2. Baixar áudio do YouTube
# Baixar melhor qualidade de áudio como WAV
yt-dlp -x --audio-format wav -o "%(title)s.%(ext)s" "YOUTUBE_URL"
# Baixar como MP3 (arquivo menor)
yt-dlp -x --audio-format mp3 -o "%(title)s.%(ext)s" "YOUTUBE_URL"
# Baixar com ID do vídeo como nome de arquivo (mais seguro para caracteres especiais)
yt-dlp -x --audio-format wav -o "%(id)s.%(ext)s" "YOUTUBE_URL"
3. Escolher modelo Whisper
| Modelo | Parâmetros | VRAM | Velocidade Relativa | Caso de Uso |
|---|---|---|---|---|
| tiny | 39M | ~1 GB | ~32x | Rascunhos rápidos, testes |
| base | 74M | ~1 GB | ~16x | Transcrição rápida |
| small | 244M | ~2 GB | ~6x | Bom equilíbrio |
| medium | 769M | ~5 GB | ~2x | Alta precisão |
| large | 1550M | ~10 GB | 1x | Melhor precisão |
Modelos apenas em inglês (tiny.en, base.en, small.en, medium.en) são mais rápidos para conteúdo em inglês.
4. Executar transcrição
Abordagem via CLI:
# Transcrição básica (detecção automática de idioma)
whisper audio.wav --model medium
# Especificar idioma para melhor precisão
whisper audio.wav --model medium --language en
# Formato de saída específico
whisper audio.wav --model medium --output_format srt
# Todos os formatos de uma vez
whisper audio.wav --model medium --output_format all
# Especificar diretório de saída
whisper audio.wav --model medium --output_dir ./transcripts
Abordagem via Python:
import whisper
# Carregar modelo (baixa na primeira execução)
model = whisper.load_model("medium")
# Transcrever
result = model.transcribe("audio.wav", language="en")
# Obter texto simples
print(result["text"])
# Obter segmentos com timestamps
for segment in result["segments"]:
print(f"[{segment['start']:.2f} - {segment['end']:.2f}] {segment['text']}")
5. Pipeline em um comando
Combine download e transcrição:
# Baixar e transcrever em um comando
yt-dlp -x --audio-format wav -o "audio.wav" "YOUTUBE_URL" && whisper audio.wav --model medium --output_format all
6. Alternativa: ferramenta yt-whisper
Para um fluxo de trabalho mais simples, use o pacote dedicado yt-whisper:
# Instalar
pip install git+https://github.com/m1guelpf/yt-whisper.git
# Transcrever diretamente da URL
yt_whisper "https://www.youtube.com/watch?v=VIDEO_ID"
# Com opções
yt_whisper "YOUTUBE_URL" --model medium --language en --output_format srt
Formatos de Saída
| Formato | Extensão | Descrição |
|---|---|---|
| txt | .txt | Transcrição em texto simples |
| srt | .srt | Formato de legenda SubRip (com timestamps) |
| vtt | .vtt | Formato de legenda WebVTT |
| tsv | .tsv | Valores separados por tabulação |
| json | .json | Dados completos com timestamps no nível da palavra |
Exemplos
Diretrizes
- Use a flag
--languagequando souber o idioma falado para obter precisão significativamente melhor - Para vídeos longos (>1 hora), use o modelo
smalloumediumpara equilibrar velocidade e precisão - Modelos apenas em inglês (sufixo
.en) são mais rápidos e mais precisos para conteúdo em inglês - GPU com CUDA acelera drasticamente a transcrição; CPU funciona, mas é 5 a 10 vezes mais lento
- Se a transcrição falhar, certifique-se de que o ffmpeg está instalado corretamente e no PATH
- Para vídeos com música de fundo, modelos maiores (medium/large) lidam melhor com isso
- Limpe os arquivos de áudio após a transcrição para economizar espaço em disco
- Use
--output_format allpara obter todos os formatos de uma vez, depois escolha o que precisar