Ferramentas para extrair, transcrever, resumir e converter em podcast vídeos do YouTube — totalmente locais e gratuitos com Ollama.

Cinco scripts organizados em camadas, podendo ser usados individualmente ou via orquestrador:

python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

Para a abordagem com diarização, instale as dependências adicionais:

pip install openai-whisper pyannote.audio torch torchaudio

Executa os três passos (extração → resumo → podcast) em sequência, com barra de progresso e temporizadores.

# Pipeline completo (extração + resumo + podcast)
python process_video.py https://www.youtube.com/live/ID

# Apenas extração + resumo (sem podcast)
python process_video.py <URL> --skip-podcast

# Apenas extração (sem resumo nem podcast)
python process_video.py <URL> --skip-summary

# Escolher modelo Ollama
python process_video.py <URL> --model llama3.1

# Escolher idioma da transcrição
python process_video.py <URL> --lang en

Todos os arquivos são salvos em subdiretório com data e título:

transcripts/
  2026.04.21 - Título do Vídeo/
    videoId_Título.json       ← transcrição
    videoId_Título.md         ← resumo estruturado
    videoId_Título.mp3        ← podcast
    videoId_Título_podcast_script.json
    videoId_Título_chunks.json

Usa a API pública do YouTube para obter as legendas (manuais ou auto-geradas) sem baixar o vídeo.

Prós: rápido (segundos), sem dependências pesadas.
Contras: não identifica falantes; requer que o vídeo tenha legenda disponível.

Suporta todos os formatos de URL do YouTube: vídeos normais (watch?v=), encurtadas (youtu.be/), lives (/live/) e Shorts (/shorts/).

# Listar idiomas disponíveis para um vídeo
python extract_transcript.py <URL> --list-langs

# Extrair com idioma preferido
python extract_transcript.py <URL> --lang pt

# Tentar múltiplos idiomas em ordem de preferência
python extract_transcript.py <URL> --langs pt pt-BR en

# Escolher formatos de saída (padrão: json txt srt)
python extract_transcript.py <URL> --lang pt --formats json txt

# Diretório de saída personalizado
python extract_transcript.py <URL> --output-dir ./meus_outputs

# Funciona também com URLs de live
python extract_transcript.py "https://www.youtube.com/live/ID" --lang pt

TXT — leitura humana com timestamps:

[00:00:18,640] Não somos estranhos ao amor
[00:00:22,640] Você conhece as regras, e eu também

SRT — compatível com players de vídeo e ferramentas de legenda:

1
00:00:18,640 --> 00:00:21,880
Não somos estranhos ao amor

JSON — estruturado para processamento programático:

{
  "meta": {
    "video_id": "dQw4w9WgXcQ",
    "title": "...",
    "language": "pt-BR",
    "segment_count": 60,
    "duration_seconds": 211.32
  },
  "segments": [
    { "text": "Não somos estranhos ao amor", "start": 18.64, "duration": 3.24 }
  ]
}

Baixa o áudio com yt-dlp, transcreve com OpenAI Whisper e identifica os falantes com pyannote.audio.

Prós: funciona mesmo sem legenda; identifica quem fala em cada trecho.
Contras: lento em CPU; requer token gratuito do HuggingFace.

1. Aceitar os termos de uso dos modelos no HuggingFace:

   • https://huggingface.co/pyannote/speaker-diarization-3.1
   • https://huggingface.co/pyannote/segmentation-3.0

2. Gerar um token de acesso: https://hf.co/settings/tokens

3. Configurar o token:

   export HF_TOKEN="hf_xxxxxxxxxxxx"

# Transcrição com diarização (token via variável de ambiente)
export HF_TOKEN="hf_xxxx"
python diarize_transcript.py <URL>

# Especificar modelo Whisper e diretório de saída
python diarize_transcript.py <URL> --model large-v2 --output-dir ./transcripts

# Apenas transcrição Whisper, sem diarização
python diarize_transcript.py <URL> --no-diarization

# Passar token diretamente
python diarize_transcript.py <URL> --hf-token hf_xxxx

Recomendação para português: medium ou large-v2.

[SPEAKER_00]
  [00:00:05,000] Bom dia, vamos começar a reunião.
  [00:00:08,200] Hoje temos três pontos na pauta.

[SPEAKER_01]
  [00:00:12,500] Certo, pode começar.

Os rótulos SPEAKER_00, SPEAKER_01... identificam falantes distintos. O mapeamento para nomes reais deve ser feito manualmente após a extração.

Recebe o JSON gerado por extract_transcript.py ou diarize_transcript.py e produz um documento Markdown com resumo executivo, temas, discussões, decisões, participantes e linha do tempo.

Estratégia map-reduce: divide a transcrição em janelas de tempo, resume cada uma individualmente e sintetiza tudo em um documento final — permitindo processar transcrições longas que não caberiam em um único prompt.

# Com OpenAI (padrão)
export OPENAI_API_KEY="sk-..."
python summarize_transcript.py transcripts/video.json

# Com Anthropic
export ANTHROPIC_API_KEY="sk-ant-..."
python summarize_transcript.py transcripts/video.json --provider anthropic

# Com Ollama local (gratuito, sem API key)
ollama pull llama3.1
python summarize_transcript.py transcripts/video.json --provider ollama --model llama3.1

# Ajustar tamanho das janelas de análise (padrão: 10 min para ollama, 15 para os demais)
python summarize_transcript.py transcripts/video.json --chunk-minutes 15

# Especificar arquivo de saída
python summarize_transcript.py transcripts/video.json --output resumo.md

• Metadados — tabela com fonte, duração, idioma, segmentos e video ID
• Resumo Executivo — 3-5 parágrafos com participantes e posições
• Participantes — tabela com nome, cargo/organização e argumento central
• Temas e Tópicos Abordados — lista hierárquica
• Debates e Posições — subseções por tema, com réplicas e tréplicas atribuídas por nome
• Decisões e Encaminhamentos — lista numerada
• Linha do Tempo — tabela Horário | Interlocutor | Tópico

• <video>.md — documento Markdown estruturado
• <video>_chunks.json — análises parciais por janela de tempo (para reuso)

Estratégia: extração por janela usa narrativa livre (não JSON) para maximizar a qualidade da análise em modelos locais. O modelo descreve participantes, debates com réplicas e decisões em texto corrido por janela; a síntese final consolida tudo em Markdown estruturado.

Converte um arquivo Markdown (gerado por summarize_transcript.py ou escrito manualmente) em um episódio de podcast em MP3, com dois apresentadores e vozes sintetizadas em português.

Pipeline:

1. LLM transforma o resumo em um roteiro conversacional com dois hosts (JSON)
2. TTS gera um arquivo de áudio por fala (Microsoft Edge TTS — gratuito)
3. ffmpeg concatena os segmentos com pausas e exporta o MP3 final

Pré-requisitos:

pip install edge-tts imageio-ffmpeg audioop-lts

imageio-ffmpeg inclui um binário pré-compilado do ffmpeg para todas as plataformas — sem necessidade de brew install ffmpeg. Em Python 3.13+, audioop-lts substitui o módulo audioop removido da biblioteca padrão.

Vozes padrão Edge TTS (pt-BR): pt-BR-AntonioNeural (host) e pt-BR-FranciscaNeural (co-host)

# Uso básico (LLM: openai, TTS: edge)
export OPENAI_API_KEY="sk-..."
python generate_podcast.py transcripts/video.md

# Com Ollama local (gratuito)
python generate_podcast.py transcripts/video.md --provider ollama --model llama3.1

# Com LLM Anthropic e TTS gratuito
export ANTHROPIC_API_KEY="sk-ant-..."
python generate_podcast.py transcripts/video.md --provider anthropic

# Escolher vozes diferentes
python generate_podcast.py transcripts/video.md --voice1 pt-BR-ThalitaNeural --voice2 pt-BR-FranciscaNeural

# Customizar nomes e duração alvo do podcast
python generate_podcast.py transcripts/video.md --host1 Carlos --host2 Marina --duration-min 10 --duration-max 15

# Apenas gerar o roteiro em JSON (sem áudio)
python generate_podcast.py transcripts/video.md --script-only

# Usar roteiro já gerado (pula o LLM)
python generate_podcast.py transcripts/video.md --from-script transcripts/video_podcast_script.json

# Listar vozes Edge disponíveis para português
python generate_podcast.py transcripts/video.md --list-voices

# Comparar dois ou mais modelos (gera roteiro/áudio para cada um sequencialmente)
python generate_podcast.py transcripts/video.md --provider ollama \
  --compare-models "llama3.1,gemma3:4b,mistral" --script-only

python script_to_md.py
"transcripts/2026.04.21 - Contingenciamento na defesa agropecuária - Agricultura - 16_/gzmoPbdWnH0_Contingenciamento na defesa agropecuária - Agricul_script_llama3.1.json"
"transcripts/2026.04.21 - Contingenciamento na defesa agropecuária - Agricultura - 16_/gzmoPbdWnH0_Contingenciamento na defesa agropecuária - Agricul_script_gemma3_4b.json"
"transcripts/2026.04.21 - Contingenciamento na defesa agropecuária - Agricultura - 16_/gzmoPbdWnH0_Contingenciamento na defesa agropecuária - Agricul_script_mistral.json"

### Saída de comparação

Quando `--compare-models` é usado, o script também gera automaticamente um arquivo Markdown de documentação comparativa:

- `<video>_comparison.md` — tabelas e seções por modelo com métricas, títulos e falas geradas
- Exemplo: `transcripts/<subpasta>/<video>_comparison.md`
- Permite revisar diferenças de resultado entre modelos sem abrir diversos arquivos JSON

### Exemplo de geração em lote de resumos executivos

```bash
python summarize_transcript_batch.py \
  "transcripts/2026.04.21 - Contingenciamento na defesa agropecuária - Agricultura - 16_/gzmoPbdWnH0_Contingenciamento na defesa agropecuária - Agricul.json" \
  --provider ollama \
  --models "llama3.1,gemma3:4b,mistral"

Isso produz:

• ..._lla­ma3.1_summary.md
• ..._gemma3_4b_summary.md
• ..._mistral_summary.md

• <video>.mp3 — episódio de podcast completo
• <video>_podcast_script.json — roteiro estruturado com todas as falas
• (modo comparação) <video>_script_<modelo>.json e <video>_<modelo>.mp3 por modelo

Os arquivos JSON gerados são adequados para pipelines de NLP. Cada segmento contém text, start, duration e opcionalmente speaker, facilitando:

• Resumo automático com summarize_transcript.py
• Geração de episódio de podcast com generate_podcast.py
• Análise de sentimento por falante
• Indexação e busca full-text
• Geração de atas de reunião