Whisper vs YouTube-undertekster: Når bør du betale for transkribering?

Notatbokskisse som sammenligner kostnadene ved Whisper-lydtranskribering med å hente eksisterende YouTube-undertekster

Whisper vs YouTube-undertekster er et valg de fleste rammer inn feil. Det behandles som en kvalitetsduell — hvilken transkriberer som er «best» — når det egentlig er et spørsmål om transkripsjonen allerede finnes. For det store flertallet av YouTube-videoer gjør den det: YouTube autogenererer undertekster, og å hente dem er ett HTTP-kall. Å kjøre Whisper på de videoene betyr å laste ned lyd, betale for regnekraft og vente — for å gjenskape tekst som lå der hele tiden.

Men Whisper er heller ikke bare hype. Det finnes konkrete situasjoner der det åpenbart er riktig valg, og bygger du en pipeline, kommer du til å treffe dem før eller siden. Her er den rettferdige fordelingen, med tall.

Hva hver av dem faktisk gir deg

YouTube-undertekster — tilgjengelige umiddelbart for de fleste offentlige videoer. Menneskeopplastede spor er utmerkede; autogenererte er anstendige og blir bedre år for år, med de klassiske svakhetene: sparsom tegnsetting, radbrekkede egennavn og fagtermer, sporadiske homofon-bytter. Kostnad for å hente: i praksis null.

Whisper (eller faster-whisper) — transkriberer selve lyden. Ekte tegnsetting og store/små bokstaver, bedre håndtering av teknisk vokabular (spesielt med en initial prompt), solide tidsstempler på ordnivå, og det fungerer på videoer som ikke har undertekster i det hele tatt. Kostnad: OpenAI API-et ligger på rundt $0.006 per lydminutt; selvhosting krever GPU eller mye CPU-tålmodighet. Og du må først skaffe lyden — typisk via yt-dlp — som drar med seg sine egne problemer på servere (blokkering av datasenter-IP-er, vedlikehold av binærfiler).

Regnestykket for et etterslep på 100 videoer

Si at du prosesserer en kanals bakkatalog: 100 videoer, i snitt 15 minutter.

Whisper-ruten: 100 × 15 min × $0.006 = omtrent $9 i API-kostnader. Høres billig ut — og det er det — men det er ikke hele regningen. Du må også laste ned rundt 100 lydfiler gjennom yt-dlp (fra en sky-IP kan du forvente «Sign in to confirm you're not a bot»-feil og proxy-kostnader), lagre dem, sette jobbene i kø og vente. Realistisk sett er dette en ettermiddag med pipeline-arbeid pluss en times prosesseringstid eller mer.

Undertekst-ruten: 100 GET-forespørsler. Ferdig på et par minutter, ingen lyd berører noensinne disken din:

curl -s "https://youtube2text.org/api/transcribe?url=VIDEO_ID" \
  -H "x-api-key: yt_YOUR_KEY"

Med youtube2text.org-prisene får 100 videoer plass i planen til $9.99/måned (500 videoer). Omtrent samme dollarbeløp som Whispers API-kostnad — men null infrastruktur, og resultatene kommer som ren JSON umiddelbart. Når jeg mater transkripsjoner til en LLM for oppsummering eller RAG på kanalnivå, er dette ruten hver gang; språkmodeller trekker på skuldrene av de små transkriberingsfeilene i auto-undertekster.

Der Whisper genuint vinner

Jeg vil være nøktern her, for det finnes jobber der undertekster taper glatt:

Ingen undertekster finnes. Noen videoer — ulistede opplastinger, visse musikkvideoer, noen ikke-engelske videoer — returnerer TRANSCRIPT_UNAVAILABLE. Whisper er eneste alternativ.
Nøyaktighet er produktet. Publisering av sitater, juridisk eller medisinsk gjennomgang, underteksting av eget innhold — auto-undertekstenes feilrate er uakseptabel, og Whispers output er merkbart renere.
Du trenger pålitelige ord-tidsstempler til klipping, karaoke-aktig utheving eller alignment-arbeid. Undertekst-timing er på segmentnivå og omtrentlig.
Vanskelig lyd. Tunge aksenter, folk som snakker i munnen på hverandre, dårlige opptak — Whispers store modeller slår ofte YouTubes ASR.

For forelesningsnotater og podkastoppsummering er undertekster derimot nesten alltid tilstrekkelige — LLM-en nedstrøms glatter over støyen.

Beslutningslisten

Mater du en LLM (sammendrag, RAG, research)? → Undertekster. Feilene vaskes ut.
Publiserer du transkripsjonen ordrett? → Whisper, deretter menneskelig gjennomgang.
Trenger du tidsstempler på ordnivå? → Whisper.
Stort etterslep på budsjett og med frist? → Undertekster først.
Returnerer videoen TRANSCRIPT_UNAVAILABLE (404)? → Fall tilbake til Whisper. Dette er mønsteret jeg faktisk kjører: prøv undertekst-kallet, og send bare bommene til en Whisper-kø. I praksis utløses fallbacken på et lite mindretall av videoene, så du får Whisper-nivå dekning til undertekst-nivå kostnad.

Hvis undertekst-hentingen din stadig feiler fra en sky-server i stedet for å returnere resultater, er det et annet problem — en IP-blokkering, ikke manglende undertekster — som dekkes i hvorfor youtube-transcript-api blir blokkert.

For å koble opp undertekster-først-halvdelen: en gratis nøkkel er en Google-innlogging unna på youtube2text.org/app/keys (5 videoer/måned gratis, ikke noe kort), og den fulle API-referansen ligger på youtube2text.org/api.md.