aqui no Ratos de IA, a frente de educação da DobraLabs (canal no youtube, newsletter, cursos e comunidade), transcrever vídeo é coisa de toda semana. eu sou o Dudu, apresento o canal, e a nossa newsletter sai da transcrição do episódio (o vídeo semanal com as novidades de IA), nunca do roteiro. o motivo é simples: o roteiro é o que eu planejei falar, e o que eu falei de verdade (a opinião, o exemplo que surgiu na hora) só existe na transcrição. pra transcrever vídeo do youtube com ia tem dois caminhos, e escolher o certo economiza muito tempo: se o vídeo tem legenda, tu puxa a legenda pronta em segundos; se não tem (ou é reels do instagram, tiktok, vídeo de outro site), tu transcreve o áudio com o whisper, de graça, na tua máquina. abaixo tem os dois, os jeitos manuais, as skills que a gente usa e o que fazer com o texto depois.
os dois jeitos de transcrever vídeo do youtube
transcrever vídeo do youtube é, quase sempre, uma de duas coisas:
| puxar a legenda | transcrever o áudio | |
|---|---|---|
| quando serve | vídeo do youtube com legenda (manual ou automática) | vídeo sem legenda, instagram, tiktok, x, vimeo, arquivo teu |
| velocidade | segundos, até em live de 3 horas | minutos, depende do tamanho e da máquina |
| o que baixa | só um arquivo de texto | o áudio do vídeo |
| ferramenta | yt-dlp | yt-dlp + whisper + ffmpeg |
| qualidade | a da legenda (a automática erra nome próprio) | boa no modelo médio, ótima no grande |
o erro mais comum é ir direto pro segundo caminho. transcrever áudio de um vídeo que já tem legenda é gastar máquina pra refazer um trabalho que o youtube já fez.
o jeito manual, sem instalar nada
se é um vídeo só e tu tá no computador, o próprio youtube resolve: quando o vídeo tem legenda, abre a descrição e procura a opção “mostrar transcrição”. aparece o texto do lado do vídeo, com tempo em cada linha, e dá pra copiar. o lugar exato do botão muda de vez em quando entre versões do site e do app, mas costuma ficar no fim da descrição.
o problema do jeito manual é escala. copiar e colar uma transcrição tudo bem. dez por semana, pra estudar um tema ou montar pauta, já vira trabalho braçal. e no instagram e no tiktok tu não acha um jeito simples de copiar o texto inteiro do vídeo.
puxar a legenda com o yt-dlp
o yt-dlp é um programa de linha de comando, de código aberto, que baixa áudio e vídeo de milhares de sites. o truque é que ele também baixa só a legenda, sem tocar no vídeo:
yt-dlp --write-subs --write-auto-subs --sub-langs "pt,en" --skip-download "URL_DO_VIDEO"
o --write-subs tenta a legenda feita por gente primeiro (melhor qualidade), o --write-auto-subs cai pra automática, e o --skip-download diz pra não baixar o vídeo. sai um arquivo .vtt, que tem cabeçalho, marcação de tempo e muita linha repetida (a legenda automática repete pedaço de frase de uma linha pra outra). aí tu limpa isso e junta em parágrafo.
uma dica que custou caro pra gente descobrir: pede a legenda no idioma original do vídeo. a tradução automática do youtube é a primeira a dar erro 429 (muitas requisições), mesmo quando a legenda original passa sem problema.
transcrever o áudio com o whisper
quando não tem legenda, alguém precisa ouvir. o Whisper é o modelo de transcrição de código aberto da OpenAI, e roda no teu computador. a versão que a gente usa é o faster-whisper, uma reimplementação que, segundo o próprio projeto, é até 4 vezes mais rápida que o Whisper original com a mesma precisão e usa menos memória. roda até em computador sem placa de vídeo.
o fluxo é: o yt-dlp baixa só o áudio, o ffmpeg ajeita o formato e o whisper transcreve. funciona pra youtube sem legenda, instagram, tiktok, x, facebook, vimeo e o resto da lista do yt-dlp. vídeo público passa direto; restrito por idade ou região depende de passar o login do teu navegador, e nem sempre funciona.
na primeira vez o whisper baixa o modelo, que passa de um giga e leva uns minutos. depois fica salvo e nem internet precisa pra transcrever. e nada do teu áudio sobe pra servidor nenhum, o que importa quando o vídeo é uma reunião ou uma aula comprada.
as skills que fazem isso por ti no Claude Code
montar os comandos acima toda vez é chato, então virou skill. pra quem não sabe, skill é uma pasta com instruções (e às vezes scripts) que ensina o Claude Code (o agente de IA da Anthropic que trabalha nos teus arquivos e roda comandos por ti) a fazer uma tarefa sempre do mesmo jeito. tem um post só sobre como criar skills no Claude.
- transcrição do youtube (
yt-transcript): tu cola o link e ela puxa só a legenda, tira o lixo de formatação e devolve o texto em parágrafo. com ou sem tempo ([MM:SS] fala). a regra principal dela é nunca mudar uma palavra do que foi dito: arruma quebra de linha, não conteúdo. - transcrever vídeo (
transcribe): tu cola o link de qualquer um dos mais de mil sites e ela baixa o áudio e transcreve com o faster-whisper. modelo médio por padrão, com opção de um menor (mais rápido) ou olarge-v3(mais preciso).
a escolha entre as duas é direta: tem legenda no youtube, usa a primeira e leva segundos. não tem, ou é instagram e tiktok, usa a segunda e espera a máquina ouvir. tu nem precisa decidir: pedindo “transcreve esse vídeo”, o Claude Code escolhe pela descrição de cada skill.
como a gente usa transcrição no Ratos e na DobraLabs
transcrição é a matéria-prima de metade do que a gente produz. uns exemplos de verdade:
o episódio vira tudo. cada episódio do Ratos de IA tem um arquivo de transcrição final, e é dele que saem a newsletter, a descrição do youtube e os carrosséis. a regra está escrita no manual do canal: o texto vem da transcrição, nunca do roteiro, porque o take real só existe ali. no episódio 41 eu contei como isso vale pra reunião também: “terminou a reunião, a nossa Ratoeira já tem o contexto todo da reunião”. a Ratoeira é o portal que a gente fez pra rodar Claude Code, Codex e Grok num servidor pelo navegador, e a gente conversa com os agentes em cima dela.
estudar sem assistir tudo. quando eu quis entender por que uns vídeos prendem e outros não, a gente transcreveu os primeiros 90 segundos de 50 vídeos de 10 criadores (Matt Wolfe, Nate Herk, Greg Isenberg, Filipe Deschamps e outros) e pediu pro Claude cruzar os ganchos. a skill aprender faz isso de forma geral: tu manda uma lista de links, ela transcreve cada fonte, salva a transcrição bruta e te devolve o que as fontes ensinam em comum e onde discordam.
reunião vira trabalho. toda reunião gravada no Fathom (um app que grava e transcreve chamada de vídeo) cai como arquivo de transcrição na pasta de trabalho que o agente enxerga, e ele lê dali pra montar proposta ou atualizar o Pipeline, o CRM que a gente construiu pra uso interno. o Fathom não erra o que foi dito, mas erra quem falou, então a gente não põe nome em citação só com base nele. a DobraLabs escreveu sobre isso no post grave a reunião pro agente de IA.
legenda dos cortes. pra legendar os cortes do canal, a gente usa a legenda do youtube no formato json3, que traz o tempo de cada palavra. o .srt tem tempo estimado e não serve nem pra sincronizar legenda nem pra decidir onde cortar.
e um perrengue que vale contar: quando a gente passou a rodar os agentes numa VPS (um servidor alugado na nuvem), pela Ratoeira, o yt-dlp começou a dar “sign in to confirm you’re not a bot”. o youtube barra IP de datacenter muito mais que o IP de casa. a saída foi pôr na Ratoeira um proxy grátis que sai pela rede WARP da cloudflare, e o script tenta por ele sozinho quando o direto barra. se tu roda isso num servidor, conta com esse problema.
o que fazer com a transcrição depois
transcrição parada numa pasta não serve pra muita coisa. o valor está no que o agente faz com ela:
- resumo com o que importa pra ti: “lê essa transcrição e me diz o que serve pra uma loja de roupa pequena”.
- conteúdo derivado: newsletter, post, carrossel, thread, roteiro de corte. tudo partindo da fala real.
- cortes com gancho: achar os trechos que se sustentam sozinhos pra virar reels.
- base de estudo: juntar transcrições de várias fontes e perguntar em cima delas.
- citação conferida: achar a frase exata e o minuto em que ela foi dita.
o cuidado é sempre o mesmo: transcrição automática erra nome próprio e termo técnico. a dos nossos vídeos já escreveu Ratueira no lugar de Ratoeira, Conex no lugar de Codex e Carpaccio no lugar de Karpathy. pra citar alguém, confere no vídeo.
em uma frase
pra transcrever vídeo do youtube, tenta a legenda primeiro e só transcreve o áudio quando ela não existe; pro instagram e o tiktok, vai direto pro whisper. as duas coisas rodam de graça, e o que faz diferença de verdade é o que tu pede pro agente fazer com o texto depois.