Como criar um buscador do que é dito dentro dos vídeos do YouTube

O problema que resolve

Grandes bibliotecas de vídeo são, na prática, impossíveis de pesquisar. Fãs vasculham horas de gravação atrás de um momento de que mal se lembram, alunos de cursos reassistem aulas inteiras para achar uma explicação, e empresas perdem conhecimento institucional enterrado em palestras gravadas. Indexar transcrições com timestamps transforma qualquer biblioteca em algo pesquisável como um documento, com resultados que levam direto ao momento certo.

O que incluir na primeira versão

• ■Busca por frase e palavra-chave em todos os vídeos de um canal ou playlist
• ■Resultados que mostram a frase encontrada com link para o timestamp exato
• ■Busca semântica para que "como definir o preço do meu produto" também encontre "quanto cobrar"
• ■Filtros por data, vídeo e falante
• ■Indexação automática de novos uploads

Como criar, passo a passo

1. 01

   Reúna a lista de vídeos

   Chame /channels/resolve ou /playlists/resolve com o identificador do canal ou a URL da playlist para obter o ID e o título de cada vídeo.

2. 02

   Busque as transcrições em lote

   Envie os IDs para /batch com format.timestamp e format.paragraphs ativados. Lotes grandes rodam de forma assíncrona, então consulte /batch/{batch_id} periodicamente ou use um webhook.

3. 03

   Indexe os segmentos

   Armazene cada parágrafo com o ID do vídeo e o tempo de início. A busca full-text do Postgres basta para palavras-chave; adicione embeddings no pgvector ou em um banco vetorial para buscar por significado.

4. 04

   Crie a interface de busca

   Retorne os melhores resultados com o texto ao redor e um link no formato youtube.com/watch?v=ID&t=SEGUNDOS para que o usuário caia no momento exato.

5. 05

   Mantenha tudo atualizado

   Rode uma tarefa agendada que resolve o canal de novo, encontra os novos IDs de vídeo e transcreve só esses.

Código inicial

Esta ideia segue o padrão "Receita 3: carregue uma playlist inteira em uma base de conhecimento". Use seus próprios canais, prompts e armazenamento.

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 que vale a pena criar

Venda para o dono da biblioteca, não para o espectador: redes de podcast, plataformas de cursos e empresas com acervos internos de vídeo pagam uma mensalidade por uma busca que mantém o público engajado. Para comunidades de fãs, também funciona uma busca pública gratuita com um plano pago para alertas ou acesso via API.

Erros a evitar

• ✕Indexar a transcrição inteira como um único documento: sem timestamps por parágrafo, os resultados ficam inúteis.
• ✕Retranscrever o canal inteiro a cada atualização em vez de registrar quais IDs de vídeo você já processou.
• ✕Depender só de correspondência exata de palavras: a fala é bagunçada, então adicione busca semântica cedo.

Dúvidas sobre esta ideia