【Python】指定したYouTuberの動画を一発で文字起こししてみた【GoogleColab】

こんにちはJitanTechです。

指定したYoutuberの動画を一括で文字起こししてみたら、とても便利でしたのでご紹介したいと思います。

今回はGoogleColab環境（※無料でGPUが使用できるPythonの実行環境）で動作させます。

ローカル環境で実装する方法は別で記載させて頂こうと思います。

ではいってみましょう！

GoogleColabにアクセスする
コードの入力
使用方法
実行結果
補足　一括ダウンロードの方法
さいごに

GoogleColabにアクセスする

こちらのGoogleColabにアクセスします。https://colab.research.google.com/?hl=ja

次にノートブックを新規作成します。

※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。

【Python】GoogleColabで音声の文字起こしをする方法

Pythonを使用してGoogleColab環境で音声の文字起こしをする方法をご紹介します。

コードの入力

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。

コード１　Googleドライブへアクセス　

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

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

コード２　文字起こしツール

pip install -U openai-whisper

1	pip install -U openai-whisper

コード３　YouTube動画のロード

pip install pytubefix

1	pip install pytubefix

コード４　音声ファイルへの変換

pip install moviepy

1	pip install moviepy

コード５　YouTubeAPI

pip install google-api-python-client

1	pip install google-api-python-client

コード６　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）
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

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）

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。

補足　一括ダウンロードの方法

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

!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")

さいごに

今回は特定のYouTuberの動画をまとめて文字起こしする方法をご紹介しました。

これにより、動画を見返すことなくどこで何を言っていたかがわかるようになりますね！

ぜひご活用ください！！

※参考にさせていただいたサイトです。