Comment constituer un corpus de transcriptions YouTube pour l'analyse du discours

Le problème résolu

La transcription manuelle limite les études à quelques dizaines de vidéos, et les scripts de scraping bricolés cassent et sont difficiles à reproduire. Les chercheurs ont besoin d'un moyen fiable de collecter des transcriptions complètes pour un échantillon défini de chaînes et de dates, de les stocker avec leurs métadonnées et de partager leur méthode pour que d'autres puissent la répliquer.

Ce que doit inclure votre première version

• ■Un échantillon documenté de chaînes et une période définie
• ■Des transcriptions complètes stockées en JSON brut avec métadonnées
• ■La source des sous-titres enregistrée pour chaque vidéo (manuels, automatiques ou IA)
• ■Export en CSV ou texte pour R, Python, NVivo ou ATLAS.ti
• ■Un script de collecte réexécutable pour la réplication

Comment le construire, étape par étape

1. 01

   Définir l'échantillon

   Listez les chaînes et la période étudiées, et consignez vos critères d'inclusion pour la section méthodologie.

2. 02

   Obtenir les listes de vidéos

   Appelez /channels/resolve pour chaque chaîne et filtrez les résultats par date de publication.

3. 03

   Collecter les transcriptions

   Envoyez les identifiants de vidéos à /batch et stockez la réponse JSON complète, y compris la langue et la source des sous-titres de chaque transcription.

4. 04

   Préparer l'analyse

   Exportez les transcriptions en texte ou CSV avec identifiant de vidéo, chaîne, date et horodatages, puis analysez-les par modélisation thématique, fréquences de mots-clés ou codage qualitatif.

Code de démarrage

Cette idée repose sur le modèle « Recette 3 : charger une playlist en masse dans une base de connaissances ». Remplacez par vos propres chaînes, prompts et stockage.

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

Pourquoi ça vaut la peine de le construire

Pour les chercheurs, le bénéfice est un jeu de données reproductible pour une fraction du coût et du temps d'une transcription manuelle. Des équipes créent aussi des jeux de données payants ou des services d'analyse pour les sociétés de veille médias et les think tanks.

Erreurs à éviter

• ✕Mélanger sous-titres automatiques et humains sans le noter : enregistrez la source, car la précision diffère.
• ✕Ne pas sauvegarder les réponses brutes : conservez le JSON d'origine pour pouvoir relancer votre analyse.
• ✕Ignorer l'avis éthique et les conditions de la plateforme : vérifiez les exigences de votre établissement et les conditions de YouTube avant de publier un jeu de données.

Questions sur cette idée