Как создать поисковик по тому, что говорят в видео на YouTube

Какую проблему решает

Большие видеотеки фактически невозможно искать. Фанаты часами перематывают записи в поисках полузабытого момента, студенты курсов пересматривают целые уроки ради одного объяснения, а компании теряют знания, похороненные в записях выступлений. Индексация расшифровок с таймкодами превращает любую видеотеку в то, что можно искать как документ, а результаты сразу ведут к нужному моменту.

Что включить в первую версию

• ■Поиск по фразам и ключевым словам во всех видео канала или плейлиста
• ■Результаты с найденным предложением и ссылкой на точный таймкод
• ■Семантический поиск, чтобы запрос «как назначить цену на продукт» находил и «как выставлять расценки»
• ■Фильтры по дате, видео и спикеру
• ■Автоматическая индексация новых загрузок

Как создать: пошагово

1. 01

   Соберите список видео

   Вызовите /channels/resolve или /playlists/resolve с хендлом канала или URL плейлиста, чтобы получить ID и названия всех видео.

2. 02

   Получите расшифровки пакетом

   Отправьте ID в /batch с включёнными format.timestamp и format.paragraphs. Крупные пакеты обрабатываются асинхронно, поэтому опрашивайте /batch/{batch_id} или используйте вебхук.

3. 03

   Проиндексируйте сегменты

   Сохраните каждый абзац с ID видео и временем начала. Для поиска по ключевым словам достаточно полнотекстового поиска Postgres; для поиска по смыслу добавьте эмбеддинги в pgvector или векторной базе данных.

4. 04

   Сделайте интерфейс поиска

   Возвращайте лучшие совпадения с окружающим текстом и ссылкой вида youtube.com/watch?v=ID&t=SECONDS, чтобы пользователь попадал точно в нужный момент.

5. 05

   Поддерживайте актуальность

   Запускайте задачу по расписанию, которая заново получает список видео канала, находит новые ID и расшифровывает только их.

Стартовый код

Эта идея построена на шаблоне «Рецепт 3: массовая загрузка плейлиста в базу знаний». Подставьте свои каналы, промпты и хранилище.

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

Почему это стоит создать

Продавайте владельцу видеотеки, а не зрителю: подкаст-сети, платформы курсов и компании с внутренними видеоархивами будут платить ежемесячно за поиск, который удерживает их аудиторию. Для фан-сообществ работает и бесплатный публичный поиск с платным тарифом для уведомлений или доступа к API.

Каких ошибок избегать

• ✕Индексировать расшифровку целиком как один документ: без таймкодов на уровне абзацев результаты поиска бесполезны.
• ✕Заново расшифровывать весь канал при каждом обновлении вместо того, чтобы отслеживать уже обработанные ID видео.
• ✕Полагаться только на точное совпадение ключевых слов: устная речь неаккуратна, поэтому добавьте семантический поиск как можно раньше.

Вопросы об этой идее