Cómo leer un vídeo de YouTube de una hora en diez segundos (y sin pagar nada)

En profundidad
Por ·

Hay una cosa que hacemos todos los días en LaPrensaIA y que casi nadie sabe que se puede hacer gratis: convertir un vídeo de YouTube en texto para leerlo en diagonal, en vez de tragarse cincuenta minutos de vídeo para descubrir que lo interesante estaba en el minuto 38.

Lo normal es pensar en dos caminos, y los dos son malos. El primero es pasar el vídeo por una inteligencia artificial de las que «ven» vídeo: funciona, pero cobra por cada minuto de imagen y sale carísimo para algo que en realidad es texto. El segundo es descargar el audio y transcribirlo con un programa de reconocimiento de voz: es gratis, pero tarda, calienta el ordenador y a veces se atasca.

El camino bueno es el tercero, y es casi tramposo: YouTube ya ha transcrito el vídeo por ti. Esos subtítulos automáticos que salen al pulsar el botón «CC» son un archivo de texto que está ahí, público, esperando. Solo hay que ir a buscarlo.

Qué necesitas

Una sola herramienta, gratuita y de código abierto, llamada yt-dlp. Se instala con una línea:

pip install yt-dlp

No hace falta cuenta, ni tarjeta, ni clave de ningún servicio. Y no hay que abrir el navegador.

Cómo funciona, en cuatro pasos

  1. Preguntar por el vídeo, sin descargarlo. yt-dlp devuelve una ficha con el título, el canal, la fecha, la duración, las visitas, la descripción completa y —esto es lo importante— la lista de pistas de subtítulos disponibles.
  2. Elegir la pista. Si el autor subió subtítulos propios, esos ganan: están mejor puntuados. Si no, se usan los automáticos. Se prueba primero español, luego inglés.
  3. Pedir el texto en el formato limpio. La dirección de la pista admite un parámetro, fmt=json3, que devuelve el texto ordenado en trocitos en vez de un archivo de subtítulos lleno de marcas de tiempo.
  4. Pegar los trocitos. Y ya está: tienes el vídeo entero como texto.

El código

import sys, time, json, urllib.request
import yt_dlp

sys.stdout.reconfigure(encoding="utf-8", errors="replace")

IDIOMAS = ["es", "es-ES", "es-419", "en", "en-US"]

def transcribir(url):
    with yt_dlp.YoutubeDL({"skip_download": True, "quiet": True}) as ydl:
        info = ydl.extract_info(url, download=False)

    # Una busqueda o una lista devuelven varios videos: nos quedamos con el primero
    if info.get("entries"):
        info = info["entries"][0]

    pistas = {}
    pistas.update(info.get("automatic_captions") or {})
    pistas.update(info.get("subtitles") or {})   # los del autor mandan

    idioma = next((c for c in IDIOMAS if c in pistas), None)
    if not idioma:
        return None

    enlace = pistas[idioma][0]["url"].split("&fmt=")[0] + "&fmt=json3"
    req = urllib.request.Request(enlace, headers={"User-Agent": "Mozilla/5.0"})
    with urllib.request.urlopen(req, timeout=30) as r:
        datos = json.loads(r.read().decode("utf-8"))

    trozos = [s.get("utf8", "") for ev in datos.get("events", []) for s in (ev.get("segs") or [])]
    return {
        "titulo": info.get("title"),
        "canal": info.get("uploader"),
        "descripcion": info.get("description"),
        "texto": "".join(trozos).replace("\n", " ").strip(),
    }

Probado antes de publicar esto. Lo que viene a continuación no es un ejemplo inventado: es lo que devolvió este código al ejecutarlo.

Qué sale por pantalla

Le pedimos un vídeo de Dot CSV, el divulgador de inteligencia artificial en español, de nueve minutos:

Titulo:  ¿Qué es una Red Neuronal? Parte 1 : La Neurona | DotCSV
Canal:   Dot CSV  |  20180319  |  554s  |  863378 vistas
Idioma de los subtitulos: es
Caracteres transcritos:   9528
------------------------------------------------------------
[Música] redes neuronales ya conozcas o no sobre el campo de la
inteligencia artificial posiblemente te hayas cruzado con este término
en alguna ocasión y es que las redes neuronales se han convertido en la
familia de algoritmos de machine learning más populares de esta última
oleada que estamos viviendo en realidad como modelo computacional
existen desde mediados del siglo pasado pero no ha sido hasta hace unos
años con la mejora de la técnica y la tecnología que hemos empezado a
utilizarlas a lo bestia reconocimiento de caracteres de imágenes de voz
predicción bursátil generación de texto traducción de idiomas...

Nueve minutos de vídeo convertidos en 9.528 caracteres de texto en español, en unos segundos y por cero euros. Eso son unas tres páginas: se leen en diagonal en menos de un minuto.

Verás que el texto viene sin puntos ni comas, todo seguido. Es normal: los subtítulos automáticos no puntúan. No importa para lo que sirve esto —buscar, filtrar, decidir si merece la pena—, y si necesitas el texto presentable, cualquier asistente de inteligencia artificial te lo puntúa en un segundo.

Y una vez tienes el texto, ¿qué?

Aquí es donde esto deja de ser un truco y se convierte en una herramienta. Con el vídeo convertido en texto puedes:

  1. Buscar una palabra y saber en qué momento se habla de lo que te interesa, sin arrastrar la barrita del reproductor a ciegas.
  2. Pedirle un resumen a una inteligencia artificial gratuita. Pegar tres páginas de texto es barato; hacerle ver el vídeo, no. Si dudas cuál usar, lo comparamos en esta guía sin tecnicismos de ChatGPT, Gemini y Claude.
  3. Comparar varios vídeos a la vez: cinco transcripciones juntas te dicen en un vistazo qué está diciendo todo el mundo sobre un tema esta semana.
  4. Guardarlo. Un vídeo puede desaparecer de YouTube; tu archivo de texto, no.

Tres trampas que te vas a encontrar

YouTube te corta si pides muchos seguidos. A partir de unos cuantos vídeos empieza a devolver un error 429, que significa «para el carro». No es un bloqueo permanente: basta con reintentar esperando cada vez un poco más — veinte segundos, luego cuarenta, luego sesenta. Probándolo con diez vídeos seguidos fallaron tres, y los tres entraron al reintentar.

Si usas Windows, los emojis del título rompen el programa. Un título con un emoji hace saltar un error de codificación al imprimirlo en pantalla. La línea sys.stdout.reconfigure(...) del principio lo arregla y no hay que volver a pensar en ello.

Una búsqueda no devuelve un vídeo, devuelve una lista. Si en lugar de una dirección le pasas una búsqueda, lo que vuelve es un paquete con varios resultados dentro y el programa se queda sin encontrar subtítulos. Hay que sacar el primero de la lista. Es exactamente el fallo que nos salió al probar este código, y por eso está en él la línea que lo corrige.

El detalle que casi nadie aprovecha

Junto con la transcripción viene la descripción completa del vídeo. Y en la descripción es donde los creadores ponen los enlaces a todo lo que mencionan: la herramienta que están enseñando, el paper que citan, la web del proyecto. Es decir: no solo tienes lo que dijo, tienes adónde apuntaba. Para seguir la pista de una herramienta nueva, eso vale más que el vídeo entero.

Para qué lo usamos nosotros

Vigilamos varios canales de inteligencia artificial en inglés. Cuando uno publica algo, lo pasamos a texto, lo leemos en diagonal y en dos minutos sabemos si ahí hay una noticia o no la hay. Antes eso eran cincuenta minutos de vídeo y una tarde perdida. Ahora es un archivo de texto y un café.

Es el primer flujo de una serie: cada entrega será un procedimiento real, probado y replicable con herramientas gratuitas. Si te interesa cómo se construyen estas cosas por dentro, también contamos cómo van a atenderte los agentes de IA en 2026.

También te puede interesar