Você já tentou estudar uma entrevista longa no YouTube e se perdeu? Ou precisou citar trechos de um vídeo de 90 minutos e o player virou uma loteria de scrub?
Serviços na nuvem resolvem parte disso, mas cobram por minuto, enviam o áudio para terceiros e raramente encaixam no fluxo de quem já roda Whisper local, Ollama e agentes no próprio PC.
O down-youtube (YouTube Transcriber) existe para esse buraco: um app desktop Windows e Linux que transforma URL ou arquivo local em transcrição pesquisável, exportável e, se quiser, consultável por RAG.
- Repo: https://github.com/elzobrito/down-youtube
- Licença: MIT
- Stack: Python, yt-dlp, FFmpeg, whisper.cpp, SQLite, Tkinter; Ollama e rag-sqlite opcionais
O problema que ele resolve
Na prática, quem trabalha com vídeo técnico ou entrevistas enfrenta cinco atritos:
- O conteúdo fica preso no player. Não dá para buscar por palavra, marcar como “já usei” ou exportar SRT/PDF sem gambiarra.
- Entrevistas longas quebram o Whisper. Modelos pequenos alucinam no final: frases em loop por minutos.
- Playlist vira trabalho manual. Um vídeo por vez, copiar URL, baixar, converter, repetir.
- Qualidade de mídia é opaca. “Best” do yt-dlp nem sempre é o melhor stream; áudio de arquivo e áudio de ASR são necessidades diferentes.
- Privacidade e custo. Mandar horas de áudio para API comercial não escala nem convence quem já tem GPU e disco em casa.
O down-youtube concentra o pipeline:
URL (vídeo ou playlist) ou arquivo local
→ expandir playlist se preciso
→ baixar / converter
→ transcrever (com pedaços se o áudio for longo)
→ biblioteca + export + chat + memória de longo prazoFuncionalidades principais
Entrada e download
- URL de vídeo único ou playlist (expansão automática via yt-dlp).
- Arquivo local de áudio ou vídeo (sem YouTube).
- Cookies para sessões restritas / “sign in to confirm you’re not a bot”.
- Pipeline streaming (download + conversão em paralelo) ou tradicional.
- Opções de máxima qualidade de vídeo (
bv*+ba, clientes web/tv, merge MKV quando necessário). - Opções de máxima qualidade de áudio (
ba/b, archive m4a/opus se “manter áudio”) e sempre WAV 16 kHz mono para o Whisper.
Transcrição local
- Executa whisper.cpp (CPU ou GPU CUDA, conforme o build).
- Áudios maiores que 60 minutos são fatiados em pedaços de 30 minutos, transcritos e mesclados com timestamps corretos (menos loop alucinatório no fim).
- Detecção de duplicata por hash de áudio.
- Progresso por estágio, cancelamento e painel NERD (métricas de pipeline).
Biblioteca e exportação
- Busca em texto completo, filtros, preview.
- Marcar transcrição como usada / não usada.
- Export TXT, SRT, VTT, DOCX, PDF.
- Histórico de tentativas e reprocessamento de falhas.
- Fila de URLs (lista
.txt, retries).
Chat e memória de longo prazo (opcional)
- Chat com Ollama sobre uma transcrição.
- Projeção para rag-sqlite (
youtube_rag.sqlite+ corpus): pergunta à biblioteca inteira ou ao vídeo atual. - Backup SQLite com Online Backup API,
quick_checke hash.
Por que as pessoas deveriam usar
| Perfil | Motivo |
|---|---|
| Pesquisador / estudante | Transforma aulas e entrevistas em texto buscável e citável. |
| Criador de conteúdo | Gera legenda SRT/VTT localmente, sem fila de SaaS. |
| Dev / agente de IA | Biblioteca em SQLite + RAG com contrato JSON estável (rag-sqlite). |
| Quem se importa com privacidade | Áudio e modelo ficam na máquina. |
| Quem tem entrevistas longas | Chunking de 30 min reduz o “loop” clássico do Whisper no final. |
Não é um substituto de Studio-grade diarization (quem falou o quê). É um harness de produção pessoal para: baixar, transcrever, organizar e perguntar de novo ao que você já processou.
Em uma linha
git clone https://github.com/elzobrito/down-youtube.git
cd down-youtube
python -m venv .venv && source .venv/bin/activate # Windows: .venv\Scripts\Activate.ps1
pip install -r requirements.txt
python main.py "https://www.youtube.com/watch?v=..."Dependências de sistema: FFmpeg e whisper-cli (whisper.cpp) configurados nas Settings. Ollama só se for usar chat/RAG com embeddings locais.
O que o app não finge resolver
- Transcrição perfeita de inglês forçada em português: o gargalo vira o modelo Whisper e o idioma, não o botão de download.
- Separar falantes de entrevista com um clique: exige diarização (pipeline à parte).
- “Melhor qualidade” de mídia não substitui modelo ASR maior se o objetivo for legenda de fronteira.
Relação com o resto do ecossistema
O down-youtube conversa bem com ferramentas que já publico:
- rag-sqlite para memória local da biblioteca de transcrições.
- ESAA para governar mudanças no próprio app (tarefas claim/complete no repositório).
A ideia é a mesma em tudo: artefatos locais, contratos claros, menos mágica na nuvem.
Conclusão
Se o seu problema é “tenho horas de YouTube e zero texto confiável no disco”, o down-youtube encaixa. Ele não vende API; ele fecha o ciclo download → Whisper → biblioteca → export/RAG, com cuidado extra para áudio longo e opções honestas de qualidade de mídia.
Código aberto, MIT, contribuições e issues bem-vindas: