Início → Blog → Como transcrever um vídeo do YouTube para texto

Como transcrever um vídeo do YouTube para texto

Existem três formas de transformar um vídeo do YouTube em texto, e elas diferem enormemente em qualidade e no que você tem direito de fazer com o resultado. Escolher a errada é como se acaba com um paredão de palavras sem pontuação e sem marcações de tempo.

Opção 1: as legendas que o YouTube já gerou

Todo vídeo popular já tem legendas automáticas. Abra o painel de transcrição abaixo do vídeo, copie o texto e pronto — sem código e sem custo.

Onde isso desanda:

• A qualidade varia muito. As legendas automáticas são geradas uma vez, no upload, por um modelo ajustado para abrangência e não para precisão. Termos técnicos, nomes e números sofrem.
• Em muitos idiomas não há pontuação. Você recebe um fluxo de palavras, o que serve para busca e é inútil para leitura.
• Não escala. Copiar à mão funciona para um vídeo, não para o acervo de um canal.
• Podem simplesmente não existir em canais menores ou em idiomas menos comuns.

Para um único vídeo que você quer ler uma vez, pare por aqui — é grátis e leva dez segundos. Para qualquer coisa repetível, siga em frente.

Opção 2: a sua própria transcrição do áudio

É o que você quer quando o texto importa: para os seus vídeos, para pesquisa, para conteúdo que será publicado. Extraia o áudio, mande reconhecer, receba texto pontuado e com marcações de tempo.

Extraindo o áudio de um arquivo que você já tem:

ffmpeg -i video.mp4 -vn -ac 1 -ar 16000 -b:a 48k audio.mp3

Depois, uma requisição:

from openai import OpenAI

client = OpenAI(base_url="https://voicesscribe.com/v1", api_key="sua chave")

with open("audio.mp3", "rb") as f:
    r = client.audio.transcriptions.create(
        model="whisper-1", file=f, response_format="verbose_json",
    )

print(r.text)

A diferença para as legendas automáticas é imediata: pontuação, maiúsculas corretas e segmentos com tempos exatos que você pode transformar em capítulos ou legendas.

Uma nota sobre baixar vídeos de terceiros

Baixar vídeo do YouTube é restrito pelos termos de serviço da plataforma, e o conteúdo em si costuma ser obra protegida de alguém. Transcrever os seus próprios uploads, ou material sobre o qual você tem direitos, é tranquilo. Para todo o resto, as opções honestas são o painel de transcrição embutido ou pedir ao autor.

Isto não é orientação jurídica e as regras mudam de país para país — mas «a ferramenta facilitava» nunca foi defesa, e vale saber de que lado da linha você está antes de montar um pipeline.

Opção 3: o acervo inteiro de um canal

Para o seu próprio catálogo, o trabalho é o padrão em lote: uma pasta de arquivos, uma fila e o estado derivado do que já existe em disco.

import pathlib
from openai import OpenAI

client = OpenAI(base_url="https://voicesscribe.com/v1", api_key="sua chave")
OUT = pathlib.Path("transcricoes"); OUT.mkdir(exist_ok=True)

for video in pathlib.Path("videos").glob("*.mp4"):
    out = OUT / (video.stem + ".txt")
    if out.exists():
        continue                      # já feito — não pague duas vezes
    audio = video.with_suffix(".mp3")
    # ffmpeg -i video.mp4 -vn -ac 1 -ar 16000 -b:a 48k audio.mp3
    with audio.open("rb") as f:
        out.write_text(client.audio.transcriptions.create(
            model="whisper-1", file=f).text, encoding="utf-8")

Uma hora de vídeo vira cerca de 25 MB de áudio mono, o que cabe em uma única requisição. Gravações mais longas são divididas — o limite é de 25 MB por requisição.

Legendas em vez de texto puro

Se a meta é devolver legendas ao vídeo em vez de ler o texto, peça o formato de legenda diretamente e pule a etapa de conversão:

srt = client.audio.transcriptions.create(
    model="whisper-1", file=f, response_format="srt",
)
open("video.srt", "w", encoding="utf-8").write(srt)

O SRT resultante é enviado na seção de legendas do vídeo e substitui a faixa automática. Para a maioria dos canais isso sozinho já é um salto visível de qualidade, porque as suas legendas passam a ter pontuação e os nomes escritos certo.

Deixando o texto pronto para publicar

• Alimente o vocabulário. Nome do canal, nomes de convidados, nomes de produtos e jargão recorrente vão no parâmetro prompt — é ali que os erros de reconhecimento se concentram.
• Informe o idioma quando o vídeo é de um idioma só: language="pt" elimina deslizes de detecção no começo.
• Preserve os tempos. O formato verbose_json devolve segmentos com início e fim — a matéria-prima de capítulos, cortes e links diretos.
• Leia uma vez antes de publicar. Dez minutos corrigindo nomes e quebrando parágrafos é a diferença entre uma página que as pessoas leem e um paredão de texto.

Qual opção escolher

Perguntas frequentes

Leitura relacionada

• Legendas SRT e VTT automáticas a partir de vídeos e webinars — Como obter legendas prontas com marcações de tempo a partir de um webinar ou vídeo: extração do áudio, formatos SRT e VTT, código e os problemas mais frequentes.
• Como montar um pipeline de transcrição para um acervo de áudio — Transcrever milhares de gravações sem perder nenhuma: fila de trabalho, concorrência, novas tentativas, retomada após uma queda e controle do valor da fatura.
• Como melhorar a precisão da transcrição: oito ajustes práticos — Oito mudanças que realmente movem a qualidade da transcrição: preparo do áudio, idioma explícito, o parâmetro prompt, corte em pausas, formatos e como medir o erro.