如何为 YouTube 视频中的讲话内容搭建搜索引擎

它解决什么问题

大型视频库实际上无法搜索。粉丝要在几小时的视频里来回拖动，寻找一个记得不太清的片段；学员为了找到一段讲解要重看整节课；企业的知识则埋没在录制的演讲里。为带时间戳的字幕建立索引，就能像搜索文档一样搜索任何视频库，结果还能直接跳到正确的时刻。

第一版应该包含哪些功能

• ■在频道或播放列表的所有视频中按短语和关键词搜索
• ■结果显示匹配的句子，并附带跳转到精确时间点的链接
• ■语义搜索：搜“我的产品该怎么定价”也能找到“如何设定收费标准”
• ■按日期、视频和说话人筛选
• ■新上传的视频自动建立索引

分步实现指南

1. 01

   收集视频列表

   用频道 handle 或播放列表 URL 调用 /channels/resolve 或 /playlists/resolve，获取每个视频的 ID 和标题。

2. 02

   批量获取字幕

   把视频 ID 发送到 /batch，并启用 format.timestamp 和 format.paragraphs。大批量任务是异步执行的，可轮询 /batch/{batch_id} 或使用 webhook。

3. 03

   为分段建立索引

   将每个段落连同视频 ID 和开始时间一起存储。关键词搜索用 Postgres 全文搜索就够了；如需按语义搜索，可在 pgvector 或向量数据库中加入向量嵌入。

4. 04

   搭建搜索界面

   返回最匹配的结果及上下文，并提供 youtube.com/watch?v=ID&t=SECONDS 格式的链接，让用户直接跳到那一刻。

5. 05

   保持内容更新

   运行定时任务，重新解析频道，找出新的视频 ID，只为这些新视频获取字幕。

入门代码

这个创意基于“方案 3：把播放列表批量导入知识库”模式。替换成你自己的频道、提示词和存储即可。

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

为什么值得做

卖给视频库的所有者而不是观众：播客网络、课程平台和拥有内部视频档案的公司，愿意为能提升受众黏性的搜索功能支付月费。对于粉丝社区，可以提供免费的公开搜索，再用提醒或 API 访问做付费层。

需要避开的坑

• ✕把整份字幕当作一个文档来索引：没有段落级时间戳，搜索结果基本没用。
• ✕每次更新都重新转录整个频道，而不是记录哪些视频 ID 已经处理过。
• ✕只依赖精确关键词匹配：口语表达很随意，应尽早加入语义搜索。

关于这个创意的问题