Transcrever vídeo do YouTube: TXT, SRT ou VTT

Um download de transcrição do YouTube é um arquivo com as palavras faladas em um vídeo do YouTube, salvo para você abrir depois que a página de exibição sumir. A própria visualização de transcrição do YouTube, documentada na página de ajuda sobre como ver transcrições, é uma lista rolável de linhas de legenda. Você acompanha a leitura e clica em uma linha para pular no player. Esse artigo de ajuda não descreve um documento que você possa guardar. Esta página é sobre o arquivo.

O arquivo também não é o vídeo. Um MP4 guarda a imagem. Um MP3 guarda o som. Nenhum dos dois é o texto falado. E o arquivo não é a mesma tarefa que salvar a faixa de legendas que um player exibe sobre a imagem. Essa tarefa de arquivo de legenda se resolve com baixar legenda do YouTube. Aqui o objeto é a transcrição: as falas, escritas, em um formato que você escolhe pelo que vai fazer depois.

O que significa "baixar uma transcrição"

"Baixar", neste artigo, significa um arquivo nomeado da fala. As linhas vêm da faixa de legendas do criador quando o vídeo tem uma. Quando não tem, elas vêm de uma transcrição do áudio falado. De qualquer forma, o resultado é a sequência do que foi dito, não uma cópia da página de exibição.

Várias coisas nessa página parecem relacionadas e não são o arquivo. A descrição é o texto de apresentação do criador. Os capítulos, quando o vídeo tem, são marcas de navegação. Cartelas de título na tela e legendas gravadas na imagem são pixels do quadro, e não são lidos como texto. Os comentários são textos de outras pessoas. O arquivo ignora tudo isso e mantém a fala.

O artigo de ajuda cobre ler e pular, e só em um vídeo que já tem legendas. Esta página não repete os toques que abrem essa visualização. Quando o vídeo nunca teve legendas, o painel não tem linhas, e ainda assim dá para criar um arquivo transcrevendo a fala. A leitura ao lado do player termina quando a aba fecha. Um download de transcrição do YouTube é a cópia que continua lá no dia seguinte.

O arquivo é tão claro quanto a fala de onde veio. Um vídeo de alguém falando de frente para a câmera, em local silencioso, é mais fácil de ler do que uma entrevista na rua com o trânsito embaixo da voz. Falantes que se sobrepõem viram uma única linha. Um nome que a faixa de legendas nunca escreveu certo não passa a estar certo só porque você exportou. Confira o trecho que pretende citar.

A URL colada precisa abrir para o público. Um envio privado, um vídeo removido ou um envio exclusivo para membros não vão gerar arquivo a partir dessa colagem. Um vídeo que o YouTube retém até saber a idade do espectador, ou que ele não reproduz em determinada região, para no mesmo ponto. Gerenciar seus próprios envios no YouTube Studio é outra tarefa, e cobre apenas vídeos de um canal que você controla. Este artigo fica com um vídeo público que outra pessoa já consegue assistir.

O download termina quando as palavras saem da aba do navegador. Até lá, você ainda está lendo no YouTube. Depois disso, você tem um arquivo que pode mover, renomear e abrir em outro programa.

Copiar vs exportar

Copiar é o que você faz quando uma frase, ainda na tela, basta. Selecionar o painel no computador pega o que o navegador permitir. Em uma palestra, essa seleção não é confiável: você para no meio, uma linha fica de fora e os tempos que vêm junto chegam na ordem que a página usou. Selecionar o painel inteiro no celular é mais desajeitado. Copie uma segunda frase e a primeira se foi. Nada foi guardado com um nome.

Exportar começa depois que as linhas já existem como transcrição. Uma ferramenta para transcrever vídeo do YouTube grava um arquivo a partir dessas linhas. Você escolhe o formato para o programa que vai abrir o arquivo, não para a seleção do navegador. A ação de copiar na transcrição pronta, e a exportação em TXT, pegam as palavras e deixam os tempos de fora. Os tempos ficam na tela enquanto você lê, e permanecem no SRT e no VTT quando você precisa de um trecho com início e fim.

Como baixar uma transcrição do YouTube, quando o que você quer guardar são as palavras:

1. Na página de exibição pública, copie a URL do vídeo.
2. Cole no transcript.im. Uma URL, uma transcrição.
3. Uma faixa de legendas que já existe no vídeo é lida como a fonte. Sem faixa de legendas, o áudio falado é transcrito. Cada trecho de fala vira uma linha.
4. Salve o arquivo. TXT é o texto. SRT ou VTT é o salvamento quando o próximo programa precisa de um início e um fim. Markdown e JSON são os outros dois salvamentos, para um app de notas ou um script. Os formatos de TXT, SRT e VTT estão abaixo.

Essa ordem importa. As linhas precisam existir antes do arquivo. O artigo de ajuda para na leitura e no pulo, então a exportação acontece depois que você sai dessa visualização.

Um vídeo curto e uma palestra de duas horas seguem o mesmo caminho. É na palestra que a cópia manual desanda, porque a seleção é longa e o erro fica invisível até você precisar da linha que pulou. O download é a sequência inteira, não a parte que você conseguiu selecionar.

Trate a cópia manual como uma forma de pegar uma frase enquanto você ainda está na página de exibição. Trate a exportação como a forma de guardar as palavras do vídeo. Se o próximo passo for uma citação em um documento, uma legenda na sua própria edição ou um texto que você vai procurar na semana que vem, você quer o arquivo.

Exportando TXT, SRT ou VTT

Escolha o formato pela tarefa, não pelo hábito. Os três que cobrem leitura e marcações de tempo são TXT, SRT e VTT. Os exemplos abaixo usam uma linha inventada para que a estrutura fique visível. Um arquivo real usa os tempos do vídeo e tem uma marcação para cada linha, não uma só.

O TXT é o texto puro. Uma linha que foi falada por volta de um minuto é só aquela frase, com uma quebra de linha depois. O horário de início que você viu ao lado dela no leitor não é gravado no TXT. É isso que você quer para anotações, para uma citação e para colar em um documento ou em um chat. É o arquivo errado se um player ou um editor precisa exibir a linha em determinado momento.

O SRT é a forma com tempo que a maioria dos editores já importa. A mesma linha inventada fica assim:

1
00:01:02,000 --> 00:01:05,200
The sample line at one minute.

O número é o índice da marcação. A seta separa um início de um fim. A vírgula faz parte do timestamp SubRip, não é uma pausa na frase. Cada marcação seguinte é separada por uma linha em branco.

O VTT carrega as mesmas marcações para um player web. O cabeçalho é obrigatório, e os milissegundos usam um ponto:

WEBVTT

00:01:02.000 --> 00:01:05.200
The sample line at one minute.

Troque a vírgula pelo ponto e alguns players rejeitam o arquivo. As palavras não mudaram. O contêiner mudou. Se um editor diz que quer SRT, não entregue VTT esperando que a importação seja tolerante.

O tempo final é o fim da própria linha, ajustado para não invadir a linha seguinte. As faixas de legenda, especialmente as automáticas, às vezes dão a uma linha uma duração que se sobrepõe à linha seguinte. Um player que respeita os dois intervalos vai mostrar duas marcações ao mesmo tempo. A exportação corta a marcação anterior para que ela termine quando a próxima começa, e ela nunca termina antes do próprio início. Você ainda recebe todas as linhas. Você não recebe duas linhas disputando o mesmo momento.

Markdown e JSON são formatos opcionais dessas mesmas linhas. O Markdown coloca uma marca de minutos e segundos na frente de cada frase, o que é útil em um app de notas. O JSON mantém os segmentos brutos, o que é útil em um script. Nenhum dos dois substitui SRT ou VTT quando o destino é um player ou um editor.

Para baixar transcrição do YouTube em TXT, SRT ou VTT, gere as linhas a partir do link público primeiro, depois escolha o formato. Editar o arquivo depois não grava nada de volta no vídeo do YouTube. Uma correção fica na sua cópia. Se o que você realmente precisava era a faixa de legenda como arquivo de legenda para um player, e não o texto como documento, esse é o trabalho do baixador de legendas, não uma segunda cópia deste aqui.

Reutilizando uma transcrição baixada

Um arquivo que você nunca abre não valia a pena salvar. A reutilização é comum, e o formato já deve combinar com ela.

Uma anotação de aula que precisa apontar de volta para um minuto não deve ser feita só com TXT. O TXT é a frase. O tempo da marcação fica no SRT ou VTT, e na tela até você fechar o leitor. Escreva esse tempo ao lado da frase nas anotações. Uma afirmação que você precisa reencontrar é uma busca pelo texto, o que é melhor do que arrastar a barra de reprodução por um vídeo longo. O vídeo em si não é um documento que dá para pesquisar.

Um editor que vai legendar seu próprio corte quer SRT ou VTT e depois importa esse arquivo para o editor. As marcações são uma faixa inicial, não uma versão final. Nomes, acentos e falas sobrepostas ainda precisam de uma releitura. Uma palavra errada na transcrição vira uma legenda errada na tela se você pular essa leitura. Nada na etapa de exportação verifica o texto por você.

NotebookLM, ChatGPT, Claude, Gemini, Kimi e Manus aceitam texto, não uma página de exibição. Cole o TXT no que você já usa. No transcript.im, as mesmas linhas também podem passar pelo Clean antes de confiar em uma marcação com ruído, pelo Translate quando as anotações precisam de outro idioma, ou pelo Summary, Core Points, Chapter Summary, Study Notes e MindMap quando uma palestra longa precisa de uma visão mais curta. Esses resultados ficam ao lado do arquivo. Eles não são outro TXT, e não substituem SRT ou VTT quando o destino é um editor.

Mantenha o tempo junto de qualquer frase que você citar, ou não vai conseguir reabrir o momento certo. Leia uma gravação com ruído antes de o SRT ou VTT entrar em um editor. O arquivo não vai sinalizar uma palavra errada. Ele vai exibi-la.

Fique na página de exibição quando acompanhar a leitura for a tarefa inteira. Quando as palavras precisarem sobreviver à aba, baixe a transcrição do YouTube e salve no formato que o próximo programa abre.