Cómo crear un corpus de transcripciones de YouTube para análisis del discurso

El problema que resuelve

La transcripción manual limita los estudios a unas pocas decenas de vídeos, y los scripts de scraping improvisados se rompen y son difíciles de reproducir. Los investigadores necesitan una forma fiable de recopilar transcripciones completas para una muestra definida de canales y fechas, guardarlas con metadatos y compartir su método para que otros puedan replicarlo.

Qué incluir en tu primera versión

• ■Una muestra documentada de canales y un rango de fechas
• ■Transcripciones completas guardadas como JSON original con metadatos
• ■Origen de los subtítulos registrado para cada vídeo (manual, automático o IA)
• ■Exportación a CSV o texto para R, Python, NVivo o ATLAS.ti
• ■Un script de recogida que se puede volver a ejecutar para replicar el estudio

Cómo construirlo, paso a paso

1. 01

   Define la muestra

   Enumera los canales y el periodo que vas a estudiar, y anota tus criterios de inclusión para la sección de metodología.

2. 02

   Resuelve las listas de vídeos

   Llama a /channels/resolve para cada canal y filtra los resultados por fecha de publicación.

3. 03

   Recopila las transcripciones

   Envía los IDs de vídeo a /batch y guarda la respuesta JSON completa, incluidos el idioma y el origen de los subtítulos de cada transcripción.

4. 04

   Prepara el análisis

   Exporta las transcripciones como texto o CSV con el ID del vídeo, el canal, la fecha y las marcas de tiempo, y analízalas con modelos de temas, frecuencias de palabras clave o codificación cualitativa.

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

Para los investigadores, el retorno es un conjunto de datos reproducible por una fracción del coste y el tiempo de la transcripción manual. Algunos equipos también crean conjuntos de datos de pago o servicios de análisis para empresas de monitorización de medios y think tanks.

Errores que debes evitar

• ✕Mezclar subtítulos automáticos y humanos sin indicarlo: registra el origen de los subtítulos porque su precisión es distinta.
• ✕No guardar las respuestas originales: conserva el JSON original para poder volver a ejecutar el análisis.
• ✕Ignorar la revisión ética y los términos de la plataforma: consulta los requisitos de tu institución y los términos de YouTube antes de publicar conjuntos de datos.

Preguntas sobre esta idea