Cómo crear un archivo de reuniones públicas de YouTube con buscador

El problema que resuelve

Los periodistas locales y los vecinos quieren saber qué dijeron los cargos públicos sobre un cambio urbanístico, una partida presupuestaria o una política escolar. Encontrarlo supone recorrer horas de vídeo de muchas sesiones. Los órdenes del día y las actas rara vez recogen todo el debate, y muchas redacciones locales ya no tienen periodistas que asistan a cada sesión.

Qué incluir en tu primera versión

• ■Ingesta automática de cada sesión desde el canal del organismo
• ■Etiquetas de orador para poder buscar por cargo público
• ■Búsqueda por tema y palabra clave en años de sesiones
• ■Alertas cuando se trata un tema o una dirección
• ■Enlaces para compartir que llevan al momento exacto de la grabación

Cómo construirlo, paso a paso

1. 01

   Reúne los vídeos de las sesiones

   Resuelve el canal del ayuntamiento o su lista de sesiones y sigue comprobando si hay vídeos nuevos.

2. 02

   Transcribe con oradores

   Usa ASR con speakerLabels activado, y speakerId con nombres conocidos, para atribuir cada fragmento a un orador. Las sesiones son largas, así que usa el endpoint de estimación para prever el coste.

3. 03

   Indexa por sesión y orador

   Guarda los párrafos con la fecha de la sesión, el orador y la marca de tiempo, y añade búsqueda de texto completo y semántica.

4. 04

   Añade alertas

   Permite que los usuarios guarden búsquedas, como el nombre de una calle o un tema de política pública, y envíales un correo cuando aparezca en una nueva sesión.

Código de inicio

Esta idea se basa en el patrón "Receta 3: carga en bloque una lista de reproducción en una base de conocimiento". Usa tus propios canales, prompts y almacenamiento.

import requests

API = "https://www.youtubetranscript.dev/api/v2"
HEADERS = {"Authorization": "Bearer yt_sk_live_YOUR_KEY"}

playlist = requests.post(f"{API}/playlists/resolve", headers=HEADERS,
                         json={"playlist_url": "https://www.youtube.com/playlist?list=PLAYLIST_ID",
                               "limit": 100}).json()

ids = [v["video_id"] for v in playlist["items"]]
batch = requests.post(f"{API}/batch", headers=HEADERS, json={
    "video_ids": ids,
    "format": {"timestamp": True, "paragraphs": True},
}).json()

# Large batches run async: poll GET /batch/{batch_id} until status is "completed"
for r in batch.get("results", []):
    if r["status"] == "completed":
        for p in r["data"]["transcript"].get("paragraphs") or []:
            store(video_id=r["video_id"], start=p["start"], text=p["text"])  # your vector DB

Por qué vale la pena construirlo

Los medios locales, los grupos de incidencia y las empresas inmobiliarias o de asuntos públicos pagarán por alertas y herramientas de investigación. Los proyectos cívicos suelen financiarse con subvenciones u ofrecen un archivo público gratuito con alertas de pago.

Errores que debes evitar

• ✕Depender de los subtítulos automáticos en sesiones largas con muchos oradores: las etiquetas de orador hacen que el archivo sea mucho más útil.
• ✕Subestimar la duración: las sesiones duran horas, así que estima los créditos de ASR antes de transcribir el archivo acumulado.
• ✕Publicar sin contexto: enlaza cada cita a la grabación para que los lectores puedan escucharla por sí mismos.

Preguntas sobre esta idea