youtube-transcript

YouTube の文字起こし

概要

yt-dlp を使用して、YouTube 動画の文字起こし、メタデータ、チャプターを抽出します。YAML フロントマター付きの Markdown として出力し、~/Brains/brain/（Obsidian ボルト）に保存します。

クイックスタート

YouTube 動画から文字起こしを抽出するには：

python scripts/extract_transcript.py <youtube_url>

任意：カスタムの出力ファイル名を指定します：

python scripts/extract_transcript.py <youtube_url> custom_filename.md

出力形式

YAML フロントマター

生成される Markdown には、次の包括的なメタデータが含まれます：

• title - 動画のタイトル
• channel - チャンネル名
• url - YouTube の URL
• upload_date - アップロード日（YYYY-MM-DD）
• duration - 動画の長さ（HH:MM:SS）
• description - 動画の説明（500 文字に切り詰め）
• tags - 動画タグの配列
• view_count - 視聴回数
• like_count - 高評価数

本文の構成

（利用可能な場合）動画のチャプターごとに文字起こしを整理します：

## Chapter Title

**00:05:23** Transcript text for this segment.

**00:05:45** Next segment text.

チャプターがない場合、すべてのコンテンツは「## Transcript」見出しの下に表示されます。

一貫性を保つため、タイムスタンプは HH:MM:SS 形式です。

ワークフロー

1. yt-dlp を使用してメタデータと字幕を抽出します
2. VTT 字幕形式を解析して、タイムスタンプとテキストを抽出します
3. （存在する場合）動画のチャプターごとに文字起こしのセグメントをグループ化します
4. YAML フロントマター付きの Markdown として整形します
5. 動画タイトルに基づいて無害化したファイル名を付け、~/Brains/brain/ に保存します
6. 一時字幕ファイルを削除します

重複排除

既存の文字起こしファイルから重複を削除するには：

python scripts/deduplicate_transcript.py <markdown_file>

これにより、後続の項目の接頭辞になっている文字起こし項目が削除されます（字幕が蓄積される VTT ファイルでよく見られます）。

要件

yt-dlp がインストールされていることを確認してください：

pip install yt-dlp

制限事項

• まず英語の字幕を抽出し、英語が利用できない場合はロシア語にフォールバックします
• 動画に字幕（自動生成または手動）がある必要があります
• 動画や音声のファイルはダウンロードしません
• フロントマター内の説明は 500 文字に切り詰められます