Research treści na YouTube: przeanalizuj 10 filmów konkurencji w kwadrans

Research treści na YouTube oznaczał kiedyś oglądanie konkurencji na 2x z otwartym dokumentem na notatki i uwagą odpływającą przy trzecim filmie. Teraz, zanim cokolwiek napiszę, pobieram transkrypcje 10 najlepszych filmów na docelowy temat i każę LLM-owi wydobyć ich hooki, wspólną strukturę i — to najcenniejsze — pytania, na które żaden z nich nie odpowiada. Cały przebieg zajmuje 15 minut i dwa narzędzia: krótką pętlę w Pythonie i jeden prompt analityczny.

Zbierz korpus

Wyszukaj swój temat na YouTube, skopiuj identyfikatory 10 filmów z największą liczbą wyświetleń i pozwól pętli zrobić resztę:

import requests, time

API_KEY = "yt_your_key"
video_ids = ["VIDEO_ID_1", "VIDEO_ID_2"]  # your top 10

corpus = []
for vid in video_ids:
    r = requests.get(
        "https://youtube2text.org/api/transcribe",
        params={"url": f"https://www.youtube.com/watch?v={vid}",
                "maxChars": 30000},
        headers={"x-api-key": API_KEY}, timeout=60)
    data = r.json()
    if "result" in data:
        corpus.append(f"### {data['result']['title']}\n{data['result']['content']}")
    time.sleep(1)

open("corpus.md", "w").write("\n\n".join(corpus))

maxChars: 30000 wykonuje tu prawdziwą robotę. Dziesięć filmów po 30 tys. znaków to korpus ~300 tys. znaków — około 75-85 tys. tokenów, wygodnie mieszczący się w 200-tysięcznym kontekście Claude z zapasem na analizę. A 30 tys. znaków pokrywa mniej więcej pierwsze 25 minut mówienia, co w zupełności wystarcza do analizy hooków i struktury. Warunek if "result" ma znaczenie, bo jeden czy dwa filmy w każdej dziesiątce będą miały wyłączone napisy i zwrócą TRANSCRIPT_UNAVAILABLE — pomiń je i idź dalej.

Prompt do analizy konkurencji

Wklej korpus do tego:

Below are transcripts of the 10 most-viewed videos about {TOPIC}.

Analyze across all of them:
1. HOOKS — quote the first two sentences of each video.
   What patterns repeat?
2. STRUCTURE — outline the section order most videos share.
3. CLAIMS — list specific claims or numbers that appear in
   three or more videos. These are table stakes.
4. GAPS — questions a viewer would still have after watching
   all 10. Be specific; these are my content opportunities.

Cite the video title for every observation.

{PASTE corpus.md}

Sekcja 4 to powód, dla którego w ogóle to robię. Podczas niedawnego przebiegu na temat porównania baz danych wszystkie dziesięć filmów benchmarkowało szybkość odczytu, a żaden nie poruszył kosztu migracji — ta luka stała się moim najlepiej performującym filmem kwartału.

Czego transkrypcje Ci nie powiedzą

Ograniczenie, które warto nazwać wprost: retencja to słowa plus cała reszta. Hook, który na papierze brzmi płasko, może działać dzięki cięciu na b-roll albo obietnicy z miniaturki, a transkrypcja nic z tego nie widzi. Traktuję analizę korpusu jak mapę, a potem faktycznie oglądam trzy najlepsze filmy, żeby zobaczyć, jak te słowa są podane. Poza tym automatyczne napisy czasem przekręcają terminy techniczne, na których próbujesz wyszukiwać wzorce, więc przejrzyj plik korpusu, zanim zaufasz liczbie powtórzeń danego twierdzenia.

Limity i budowanie nawyku

Jeden przebieg researchu to 10 wywołań API. Darmowe 5 filmów miesięcznie nie pokryje nawet jednego przebiegu, więc ten workflow realistycznie zaczyna się od planu podstawowego za 5,99 USD — 50 filmów, czyli pięć pogłębionych analiz tematu miesięcznie. Cotygodniowy research w kilku niszach mieści się w planie pro za 9,99 USD z 500 filmami. Do produkcyjnego pobierania z ponawianiem i obsługą 429 przewodnik po Pythonie ma pełniejszy skrypt; jeśli chcesz, żeby korpus był stale przeszukiwalny, a nie jednorazowy, wprowadź go do konfiguracji RAG dla kanału. A gdy analiza luk podsunie Ci kąt natarcia, pipeline od filmu do wpisu na blogu zamienia powstały film z powrotem w artykuł.

Klucze są o jedno logowanie Google stąd na youtube2text.org/app/keys — bez karty, bez telefonu, a Twój następny kalendarz treści broni się sam.