【Python】YouTuberの全動画を連続で文字起こしする方法

この記事を読むことで以下の方法がわかります。

・特定のYoutuberの動画を連続で文字起こしする方法。

今回はGoogleColab環境（※無料で使用できます。）で動作させます。

※Google Colab は、ブラウザから Python を実行できるGoogleが提供しているサービスです。

GoogleColabにアクセスする
ノートブックの新規作成
コードの入力
使用方法
実行結果
一括ダウンロード
さいごに

GoogleColabにアクセスする

まず初めに以下のURLからGoogleColabにアクセスします。

GoogleColabのURL

https://colab.research.google.com/?hl=ja

ノートブックの新規作成

以下の画面が表示されますので、ノートブックの新規作成をクリックしましょう。

※詳しくは以下のサイトの「GoogleColabにアクセスする」をご覧ください。

https://jitantech.com/how-to-use-whisper-on-google-colab/

コードの入力

「+コード」をクリックし、コードブロックを表示しましょう。ここにコードを記入します。

GoogleColabのノートブックにプログラムを1つずつ貼り付けましょう。一つ貼り付け終わったらGoogleColab画面の左上にある「＋コード」をクリックして枠を増やしてください。

①Googleドライブへアクセスするコード

from google.colab import drive
drive.mount('/content/drive')

1 2	from google.colab import drive drive.mount('/content/drive')

※GoogleColabからご自身のGoogleドライブにアクセスするための記述です。

②文字起こしのパッケージ

pip install -U openai-whisper

1	pip install -U openai-whisper

※Open-AI社が公開している文字起こしのパッケージ。

③YouTube動画のダウンロード

pip install pytubefix

1	pip install pytubefix

※Youtube動画をダウンロードするパッケージ。

④音声ファイルへの変換

pip install moviepy

1	pip install moviepy

※動画から音声ファイルを抽出するパッケージ。

⑤YouTubeAPI

pip install google-api-python-client

1	pip install google-api-python-client

※YoutubeAPIを使用するためのパッケージ。

メイン実行プログラム

import html
import os
import datetime
import csv
from googleapiclient.discovery import build
from dateutil.relativedelta import relativedelta
from pytubefix import YouTube
from moviepy.editor import *
import whisper

#-------↓パラメータ入力↓-------

developerKey = "ここに自身のAPIキー"
channel_id = "ここにYouTuberのチャンネルID"

#-------↑パラメータ入力↑-------

youtube = build("youtube", "v3", developerKey=developerKey)

videos = [] #videoURLを格納する配列
dt_now = datetime.datetime.now().strftime('%Y%m%d_%H%M%S')

def youtube_search(pagetoken, st, ed):
    
　　# APIのビルド
    youtube = build("youtube", "v3", developerKey=developerKey)
    
    # APIへリクエスト
    search_response  = youtube.search().list(
        part = "snippet",
        channelId = channel_id,
        maxResults = 50,
        type = "video",
        publishedAfter = st, #'2023-01-01T00:00:00Z',
        publishedBefore = ed, #'2023-02-01T00:00:00Z',
        order = "date",
        pageToken = pagetoken
    ).execute()

    # APIからの結果をループ
    for search_result in search_response.get("items", []):

        if search_result["id"]["kind"] == "youtube#video":
            publishedAt = search_result["snippet"]["publishedAt"]
            title = html.unescape(search_result["snippet"]["title"])
            id = search_result["id"]["videoId"]
            url = 'https://www.youtube.com/watch?v=%s' % search_result["id"]["videoId"]

            # 文字起こし関数の呼び出し
            youtube_to_text(id, url)

    try:
        nextPagetoken = search_response["nextPageToken"]
        youtube_search(nextPagetoken, st, ed)
    except:
        return

def youtube_to_text(id, url):

    # YouTube動画をロード
    yt = YouTube(url)

    # 最高品質のオーディオストリームを選択
    audio_stream = yt.streams.filter(only_audio=True).first()

    # オーディオを一時ファイルとしてダウンロード
    temp_file = audio_stream.download()

    # 出力ファイル名
    audiofile = id + ".mp3"

    # MoviePyを使用してオーディオをMP3に変換
    audio_clip = AudioFileClip(temp_file)
    audio_clip.write_audiofile("/content/drive/MyDrive/" + audiofile, codec="libmp3lame")

    # 一時ファイルを削除
    os.remove(temp_file)

    # 出力ファイル名（適宜変更する）
    outputfile = id + ".txt"

    # 処理
    # model = whisper.load_model("small", device="cpu")
    model = whisper.load_model("medium", device="cuda")
    result = model.transcribe("/content/drive/MyDrive/" + audiofile, language="ja", verbose=True)

    # セグメントごとに改行してテキストを取得
    segments = result["segments"]
    transcript = "\n".join(segment["text"] for segment in segments)

    # txtへ書き出し
    with open("/content/drive/MyDrive/" + outputfile, "w", encoding='utf-8_sig') as f:
        f.write(transcript)

# 2023年1月1日から（ここを適宜変更してください。）
dt = datetime.datetime(2023, 1, 1, 0, 0)

# 20回繰り返し
for i in range(1, 21):
    youtube_search('', dt.isoformat()+'Z', (dt + relativedelta(months=1)).isoformat()+'Z')
    dt = dt + relativedelta(months=1)

100

101

import html

import os

import datetime

import csv

from googleapiclient.discovery import build

from dateutil.relativedelta import relativedelta

from pytubefix import YouTube

from moviepy.editor import *

import whisper

#-------↓パラメータ入力↓-------

developerKey = "ここに自身のAPIキー"

channel_id = "ここにYouTuberのチャンネルID"

#-------↑パラメータ入力↑-------

youtube = build("youtube", "v3", developerKey=developerKey)

videos = [] #videoURLを格納する配列

dt_now = datetime.datetime.now().strftime('%Y%m%d_%H%M%S')

def youtube_search(pagetoken, st, ed):

　　# APIのビルド

youtube = build("youtube", "v3", developerKey=developerKey)

# APIへリクエスト

search_response = youtube.search().list(

part = "snippet",

channelId = channel_id,

maxResults = 50,

type = "video",

publishedAfter = st, #'2023-01-01T00:00:00Z',

publishedBefore = ed, #'2023-02-01T00:00:00Z',

order = "date",

pageToken = pagetoken

).execute()

# APIからの結果をループ

for search_result in search_response.get("items", []):

if search_result["id"]["kind"] == "youtube#video":

publishedAt = search_result["snippet"]["publishedAt"]

title = html.unescape(search_result["snippet"]["title"])

id = search_result["id"]["videoId"]

url = 'https://www.youtube.com/watch?v=%s' % search_result["id"]["videoId"]

# 文字起こし関数の呼び出し

youtube_to_text(id, url)

try:

nextPagetoken = search_response["nextPageToken"]

youtube_search(nextPagetoken, st, ed)

except:

return

def youtube_to_text(id, url):

# YouTube動画をロード

yt = YouTube(url)

# 最高品質のオーディオストリームを選択

audio_stream = yt.streams.filter(only_audio=True).first()

# オーディオを一時ファイルとしてダウンロード

temp_file = audio_stream.download()

# 出力ファイル名

audiofile = id + ".mp3"

# MoviePyを使用してオーディオをMP3に変換

audio_clip = AudioFileClip(temp_file)

audio_clip.write_audiofile("/content/drive/MyDrive/" + audiofile, codec="libmp3lame")

# 一時ファイルを削除

os.remove(temp_file)

# 出力ファイル名（適宜変更する）

outputfile = id + ".txt"

# 処理

# model = whisper.load_model("small", device="cpu")

model = whisper.load_model("medium", device="cuda")

result = model.transcribe("/content/drive/MyDrive/" + audiofile, language="ja", verbose=True)

# セグメントごとに改行してテキストを取得

segments = result["segments"]

transcript = "\n".join(segment["text"] for segment in segments)

# txtへ書き出し

with open("/content/drive/MyDrive/" + outputfile, "w", encoding='utf-8_sig') as f:

f.write(transcript)

# 2023年1月1日から（ここを適宜変更してください。）

dt = datetime.datetime(2023, 1, 1, 0, 0)

# 20回繰り返し

for i in range(1, 21):

youtube_search('', dt.isoformat()+'Z', (dt + relativedelta(months=1)).isoformat()+'Z')

dt = dt + relativedelta(months=1)

使用方法

今回、特定のチャンネルから動画一覧を取得するためにYouTubeAPIを使用しています。YouTubeAPIを使用するにはAPIキーを取得する必要があります。

YoutubeAPIキーの取得

こちらの記事を参考にAPIキーを取得しましょう！

【Youtube】APIキーの取得手順（2021/04/08時点のキャプチャ） - Qiita

はじめにYoutubeのAPIがあれば動画情報の取得が出来ます。YoutubeはWEBスクレイピングを規約違反としているのでAPI経由で情報を取得する必要があります。私は↓のPythonライブ…

APIキーをプログラムに記載

取得したAPIキーをプログラムの次の部分に記載しましょう。

#——-↓パラメータ入力↓——-

developerKey = “ここに自身のAPIキー“
channel_id = “ここにYouTuberのチャンネルID”

#——-↑パラメータ入力↑——-

YouTuberのチャンネルIDを調べる

こちらのサイトでYouTuberのチャンネルIDを調べましょう。

他人のYouTubeのチャンネルIDを調べる - ilr - アイ・エル・アール

概要自分自身のチャンネルIDはYouTube Studio＞カスタマイズ＞基本情報で確認することができますが、他人のチャンネルでカスタム URLを使用されているチャンネルはチャンネルIDがわかりません。ソースから確

チャンネルIDをプログラムに記載

調査したチャンネルIDをプログラムの次の部分に記載しましょう。

#——-↓パラメータ入力↓——-

developerKey = “ここに自身のAPIキー”
channel_id = “ここにYouTuberのチャンネルID“

#——-↑パラメータ入力↑——-

GoogleColabのランタイムのタイプを変更

GoogleColabの画面にあるランタイムのタイプを変更から T4 GPU を選択しましょう。

プログラムの実行

上から１つずつ▶を押してプログラム実行しましょう。

実行結果

実行すると文字起こし結果が「動画ID.txt」として保存されます。

一括ダウンロード

大量の動画を文字起こしした場合、画面上からはひとつづつしかダウンロードできません。その場合は「＋コード」で枠を作成し以下のコードを貼り付けて実行してください。

# ダウンロードしたいフォルダを zip 圧縮する
!zip -r /content/drive/MyDrive/download.zip /content/drive/MyDrive
# 圧縮した zip ファイルをダウンロードする
from google.colab import files
files.download("/content/drive/MyDrive/download.zip")

# ダウンロードしたいフォルダを zip 圧縮する