Статья на Хабре демонстрирует практический способ превратить любое видео с YouTube в текстовый материал с минимальными затратами. Автор показывает, как скачать аудио, разбить его на части (если превышен лимит 25 Мб), транскрибировать с помощью модели Whisper от OpenAI и дополнительно обработать результат через GPT-4o. Whisper обучена на 680 тыс. часов аудио, треть которых не на английском, и демонстрирует низкий уровень ошибок для русского языка (около 5%).

Для работы используется Google Colab: достаточно установить pytubefix (форк pytube), pydub, ffmpeg и OpenAI API. Процесс включает: загрузку аудио, разбиение на чанки, транскрибацию, постобработку текста и сохранение результата. Дополнительно можно задать промпты для корректной расстановки знаков препинания и терминов. Стоимость транскрибации Whisper составляет $0,006 за минуту, что эквивалентно ~$0,36 за час — в 5 раз дешевле готовых сервисов.

Подход позволяет быстро получать текстовые версии интервью, подкастов, инструкций и фильмов, улучшать SEO индексацию и создавать статьи для сайтов. При желании код можно запускать локально или на VPS, скачав его с GitHub.