Générateur de notes d'épisode de podcast : de la transcription aux notes en quelques minutes

Un générateur de notes d'épisode de podcast n'a pas besoin d'être un énième SaaS à 29 $/mois. Le mien tient en un appel API plus un prompt, et il produit le résumé, la liste des sujets, les citations mot pour mot et les liens vers les ressources d'un épisode en une dizaine de minutes — vérification des faits comprise. Je l'utilise pour deux émissions ; voici le procédé complet.

De l'épisode à la transcription en une requête

Si vos épisodes sont publiés sur YouTube (c'est le cas de la plupart des podcasts vidéo), la transcription est à un appel de distance :

curl -s "https://youtube2text.org/api/transcribe?url=https://www.youtube.com/watch?v=EPISODE_ID&maxChars=150000" \
  -H "Authorization: Bearer yt_your_key"

Un épisode de 40 minutes revient sous forme de 45 à 60k caractères ; une conversation longue de 90 minutes fait 100 à 130k, toujours sous le plafond de 150000 de maxChars et dans un seul contexte Claude ou GPT. La réponse inclut un indicateur truncated, donc vous saurez si un épisode marathon a été coupé au lieu de le découvrir quand les notes s'arrêtent à la minute 70.

Le prompt qui garde les citations honnêtes

Les citations mises en avant sont là où les prompts de résumé génériques vous lâchent. Les LLM adorent « améliorer » les citations — resserrer la grammaire, remplacer un mot — et une paraphrase entre guillemets, c'est comme ça qu'on finit par recevoir un e-mail de rectification de son invité. Ce prompt impose une extraction mot pour mot :

You are writing show notes from a podcast transcript.

Episode: {EPISODE TITLE}
Show: {PODCAST NAME}
Guest: {CORRECT GUEST NAME + one-line bio}

Produce:
1. A two-sentence episode summary. No hype words.
2. 5-8 bullet topics in the order they were discussed.
3. Three pull quotes copied VERBATIM from the transcript.
   Do not paraphrase. Do not fix grammar. If a quote needs
   context, add it in brackets before the quote, never inside.
4. Every book, tool, person, and company mentioned, as a
   plain list for the resources section.

If no quote is strong enough, say so. Never fabricate one.

Transcript:
{PASTE TRANSCRIPT}

Notez que le nom de l'invité est fourni en entrée. C'est délibéré, et c'est la solution au problème de la section suivante.

Le problème des noms d'invités

Voici la mise en garde honnête : ces transcriptions proviennent des sous-titres YouTube, et les sous-titres générés automatiquement massacrent les noms avec un aplomb total. J'ai vu « Swyx » devenir « swicks » et une invitée nommée Priyanka passer un épisode entier en tant que « Brianca ». Fournir l'orthographe correcte dans le prompt permet au modèle de normaliser chaque mention dans le résumé et la liste des sujets. Mais les citations mot pour mot exigent une vérification supplémentaire — si le sous-titre a déjà déformé la phrase, le « mot pour mot » reproduit fidèlement la déformation. Avant de publier, réécoutez le passage de l'épisode d'où provient chaque citation et confirmez les mots. C'est la passe de vérification des faits, elle prend trois ou quatre minutes, et la sauter, c'est comme ça que des citations massacrées finissent en capture d'écran sur le fil de quelqu'un.

L'intégrer dans un flux de publication

La version manuelle ci-dessus convient pour une émission hebdomadaire. Au-delà, deux améliorations valent le coup. Si vous voulez que les notes soient générées automatiquement à chaque publication d'épisode, le workflow n8n fait toute la chaîne sans code. Si l'épisode mérite un article complet plutôt que des notes, la même transcription alimente le pipeline vidéo vers article de blog — et si vous écrivez à vos auditeurs par e-mail, ces résumés par épisode s'empilent directement dans une newsletter de chaîne.

La clé de démonstration partagée couvre 5 épisodes par mois, soit l'équivalent d'une émission. Pour la liste complète des paramètres, les codes d'erreur et les deux formats d'en-tête d'authentification, la référence API se trouve sur youtube2text.org/api.md — le tout tient sur une page, ce qui correspond à peu près à l'énergie que demande l'ensemble de ce workflow.