Как сделать субтитры, расшифровку и главы для подкаста или видео на YouTube

Один раз запустите расшифровку

Выгрузите дорожку выпуска (в MP3 или M4A) или сам видеофайл, отправьте его на сервер через вспомогательную функцию из руководства по видеомонтажу и запросите ответ в формате JSON:

{
  "audio_url": "https://example.com/interview.mp3",
  "model": "oracle",
  "language": "auto",
  "word_timestamps": true,
  "output_format": "json"
}

Если у вас интервью или беседа нескольких людей, передайте include_diarization: true, чтобы в тексте были подписаны спикеры.

Субтитры в формате SRT

Соберите слова в строки и загрузите .srt в YouTube Studio или на хостинг подкастов. Готовый код и разбор поведения «строка на слово» у штатного SRT-вывода API есть в руководстве по SRT.

Переведённые субтитры

Отправьте тот же файл во второй раз с параметрами translate_to (работает на моделях Oracle) и output_format: "srt", либо просто переведите текст из первого ответа через свою LLM. Если запускать отдельную задачу под каждый язык, субтитры останутся точно синхронизированы со звуком.

Текст для описания выпуска

Запросите output_format: "txt", если нужен просто сплошной текст, или склейте поля text из JSON-фрагментов, добавив имена спикеров. Перед публикацией обязательно вычитайте текст: при автоматической расшифровке чаще всего перевираются имена, названия продуктов и цифры.

Таймкоды глав

Отдайте в LLM пронумерованный список реплик и попросите указать начала глав по номерам этих реплик, а не по времени. Сами таймкоды потом легко вытащить кодом из нужных фрагментов. Вот универсальный промпт под любую модель:

Below is a podcast transcript, one line per segment: S<number> [start-end] text.
Pick 5 to 9 chapter starts. For each give the segment number and a title of at most six words.
Return JSON: [{"segment": 0, "title": "Intro"}]. The first chapter must be segment 0.

chapters.py

# chapters.py — YouTube chapter lines from (seconds, title) pairs
def stamp(seconds):
    m, s = divmod(int(seconds), 60)
    h, m = divmod(m, 60)
    return f"{h}:{m:02}:{s:02}" if h else f"{m}:{s:02}"


def chapter_lines(chapters):
    return "\n".join(f"{stamp(start)} {title}" for start, title in chapters)


print(chapter_lines([(0, "Intro"), (95, "Why captions matter"), (412, "Editing from a transcript")]))

Чтобы YouTube сам разбил видео на главы по таймкодам из описания, список должен начинаться с 0:00 и идти по возрастанию. В нём должно быть минимум три пункта, а длина каждой главы не меньше десяти секунд.

Сколько это стоит

Тарификация посекундная, минимального порога нет. Все цены: /llms/pricing.md.

Вопросы и ответы