Ютуб в текст. Телеграм-бот, который написал ChatGPT – цифры, аналитика и планы

Когда говорят про перевод YouTube в текст, многие представляют себе простую транскрибацию: загрузил видео → получил текст. И если бы мой бот делал только это, вряд ли в нем было бы что-то уникальное.

Но идея была в другом — создать инструмент, который не просто расшифровывает речь, а помогает пользователям работать с этим контентом. Текст из ютуб-видео — это только основа, а дальше в один клик можно:

Создать тест к видео (идеально для обучающих роликов)
Сгенерировать микроанонсы для соцсетей
Написать пользовательские комментарии к ролику
Сделать выжимку конспекта с ключевыми моментами
Автоматически расставить тайм-коды для удобной навигации

Именно поэтому бот vid2text — это не просто транскрипция, а многофункциональный инструмент, который помогает авторам, студентам, исследователям и маркетологам работать с видеоформатом гораздо эффективнее.

Интересный факт: 90% кода, на котором построен этот бот, изначально было сгенерировано ChatGPT. Когда я начинал проект, я использовал нейросеть для написания Python-кода, SQL-запросов, обработки данных и даже настройки инфраструктуры.

Сейчас ChatGPT помогает мне автоматизировать аналитические задачи:

📊 Например, один из последних SQL-запросов, который он помог мне написать, — это определение ежемесячной выручки из ребилов пользователей.Раньше на его создание и отладку уходило бы 10-15 минут, теперь — пара минут.

Это реально впечатляет: технологии на базе GPT не только помогают пользователям работать с контентом, но и ускоряют сам процесс разработки.

Проект работает уже второй год, и за это время я собрал достаточно данных, чтобы увидеть, как именно люди его применяют.

В октябре 2024 был всплеск активности в боте. Не похоже на сезонность. Но так и не понял, что это было.

📊 Какие видео чаще всего расшифровывают? По статистике видно, что пользователи чаще всего загружают для расшифровки в текст ютуб-видео продолжительностью до 5 минут.

⭐ Как пользователи оценивают работу бота? В Яндекс Даталенс вывожу данные об оценках пользователей, которые собираю на странице с готовым текстом.

Анализ фидбека показывает, что точность обработки растет, но есть нюансы — например, пользователи часто отмечают, что бот не всегда правильно разбирает технические термины. Тут уже нужно думать, делать ли дополнительные запросы к GPT ради правок текста – это увеличивает время обработки материалов.

Хотя генерация дополнительного контента и не является основной функциональностью бота, тем не менее, эта фича постепенно начинает пользоваться спросом.

Хотя бот уже умеет многое, пока что он не поддерживает автоматическое определение спикеров.

🚀 Следующая большая задача — разделение текста по говорящим и добавление тайм-кодов. Это позволит автоматически получать структурированные стенограммы, что особенно полезно для интервью, подкастов и круглых столов.