Час жизни на 40-минутное видео — и в итоге там был один полезный момент на третьей минуте. Я сидел и смотрел очередной "подробный разбор" какого-то инструмента, где первые десять минут — вступление, потом реклама, потом автор рассказывает про своё детство. Захотелось как-то это починить.
Поковырялся в разных решениях. Расскажу про то, что у меня работает сейчас — без лишних движений, буквально два действия.
Что за два клика на самом деле
Скажу честно сразу: "два клика" — это немного маркетинг с моей стороны. Один раз нужно потратить минут пятнадцать на настройку. Зато после этого — да, реально два действия: скопировал ссылку, получил саммари.
Схема простая. YouTube почти всегда генерирует автоматические субтитры. Субтитры — это текст. Текст можно скормить языковой модели и попросить пересказать главное. Вся механика сводится к тому, чтобы убрать лишние шаги между этими тремя вещами.
Вариант без регистрации и смс
Если не хочется ничего настраивать — есть сервисы, которые делают всё прямо в браузере. Я пробовал несколько штук, дольше всего задержался на двух.
Первый — расширение для Chrome под названием YouTube Summary with ChatGPT & Claude. Название длинное, зато честное: устанавливаешь расширение, открываешь видео — и справа от плеера появляется кнопка. Нажимаешь, оно тянет транскрипт и отправляет в ChatGPT или Claude. На английских видео работает отлично. На русских — как повезёт, зависит от качества автосубтитров у конкретного канала.
Второй — Merlin. Тоже расширение, чуть более многофункциональное: умеет суммировать не только видео, но и обычные веб-страницы. Я его использовал месяца три, потом перешёл на свою схему. Для старта — вполне достаточно.
Минус у обоих один и тот же. Они зависят от чужого сервиса. Ляжет API, поменяется тарифный план — и ты в пролёте. Мне такая зависимость не нравится, поэтому я пошёл дальше.
Как я собрал нормальный инструмент под себя
Потратил один вечер и собрал связку через n8n — open-source инструмент для автоматизации, можно поднять самому или взять облачную версию.
Воркфлоу такой: я отправляю ссылку на видео в Telegram-бот, n8n перехватывает сообщение, тянет транскрипт через youtube-transcript-api, отправляет текст в OpenAI с системным промптом — и через 20-30 секунд мне в тот же чат прилетает саммари. Если видео на английском, переводит автоматически.
На первый взгляд звучит страшно. На деле там три блока в n8n, один HTTP-запрос и один вызов OpenAI. Кто знаком с Zapier или Make — разберётся за полчаса.
Промпт у меня такой, упрощённая версия: "Это транскрипт YouTube-видео. Выдели главную идею, три-пять ключевых тезисов и конкретные примеры или цифры, если они есть. Пиши кратко, без воды. Отвечай на русском."
Результат — обычно 150-200 слов. Этого хватает, чтобы понять, стоит ли смотреть видео целиком.
Где это ломается
Я достаточно покрутил схему, чтобы знать её слабые места. Честно о них расскажу.
Видео без субтитров — первая проблема. Если автор не добавил субтитры и YouTube не смог сгенерировать автоматические (плохой звук, нестандартный акцент) — транскрипта нет, и вся схема рассыпается. Обхода тут нет, разве что прогонять аудио через Whisper отдельно, но это уже совсем другая история.
Дальше — очень длинные видео. Трёхчасовые конференции и подкасты дают транскрипт на 50-80 тысяч токенов. Это и дорого, и медленно. Я решил это чанкингом: делю транскрипт на части, суммирую каждую, потом суммирую саммари. Качество немного страдает, но лучше чем ничего.
С другой стороны, есть категория видео, где транскрипт есть, но суммировать нечего — музыкальные клипы, кулинарные стримы, геймплей. Пару раз получал саммари в духе "автор что-то готовит и комментирует процесс". Нулевая полезность, и с этим ничего не поделаешь.
Куда двигаться дальше
Саммари — это минимальный вариант. Я постепенно допиливаю схему: хочу добавить временны́е метки к тезисам, чтобы можно было сразу прыгнуть на нужный момент. Технически решаемо — транскрипт от YouTube идёт с таймкодами, надо правильно их обработать в промпте.
Ещё думаю над тем, чтобы автоматически складывать саммари в Obsidian с тегом и ссылкой на видео. Тогда получится что-то вроде личной базы знаний из всего, что я смотрю.
Но и в текущем виде это реально экономит время. Особенно для профессиональных конференций и длинных интервью — жанров, где половина хронометража это вода и повторения одного и того же.
Если возиться с n8n не хочется — расширение из второго раздела закроет 80% потребностей. Разница только в том, чьему сервису вы доверяете своё время.
