Innehållsresearch på YouTube: analysera 10 konkurrentvideor snabbt

Innehållsresearch på YouTube brukade betyda att titta på konkurrenter i 2x med ett anteckningsdokument öppet och uppmärksamheten på drift vid video tre. Nu, innan jag skriver manus till något, hämtar jag transkriptioner av de 10 främsta videorna i ämnet och låter en LLM gräva fram deras hooks, gemensamma struktur och — den värdefulla delen — frågorna ingen av dem besvarar. Hela körningen tar 15 minuter och två verktyg: en kort Python-loop och en analysprompt.

Samla in korpusen

Sök på ditt ämne på YouTube, kopiera video-id:na för de 10 mest visade resultaten och låt loopen göra resten:

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 gör verklig nytta där. Tio videor på 30k tecken vardera är en korpus på ~300k tecken — runt 75–85k tokens, bekvämt inom Claudes 200k-kontext med utrymme kvar för analysen. Och 30k tecken täcker ungefär de första 25 minuterna av tal, vilket är mer än nog för att gräva fram hooks och struktur. Kontrollen if "result" spelar roll, eftersom en eller två videor i vilken topp 10 som helst har undertexter avstängda och returnerar TRANSCRIPT_UNAVAILABLE — hoppa över dem och gå vidare.

Prompten för konkurrentanalys

Klistra in korpusen i detta:

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}

Sektion 4 är anledningen till att jag gör det här alls. I en färsk körning för ett databasjämförelseämne benchmarkade alla tio videorna läshastighet och inte en enda tog upp migreringskostnad — den luckan blev min bäst presterande video det kvartalet.

Vad transkriptioner inte kan berätta

Begränsningen värd att säga rakt ut: retention är ord plus allt annat. En hook som ser platt ut på papper kan fungera tack vare ett b-roll-klipp eller ett thumbnail-löfte, och transkriptionen ser inget av det. Jag behandlar korpusanalysen som kartan och tittar sedan faktiskt på de tre främsta videorna för att se hur orden levereras. Dessutom förvanskar auto-undertexter ibland just de tekniska termer du försöker mönstermatcha på, så ögna igenom korpusfilen innan du litar på antalet claims.

Kvot och att göra det till en vana

En researchkörning är 10 API-anrop. Gratisnivåns 5 videor i månaden täcker inte ens en körning, så det här arbetsflödet börjar realistiskt på basnivån för 5,99 USD — 50 videor, alltså fem ämnesdjupdykningar i månaden. Veckovis research över flera nischer ryms i pro för 9,99 USD med 500. För produktionsklar hämtning med retries och 429-hantering har Python-guiden det mer kompletta skriptet; vill du att korpusen ska vara permanent sökbar i stället för en engångskörning, mata in den i en kanal-RAG-uppsättning. Och när gapanalysen väl ger dig en vinkel förvandlar pipelinen från video till blogginlägg den resulterande videon tillbaka till en artikel.

Nycklar finns en Google-inloggning bort på youtube2text.org/app/keys — inget kort, ingen telefon, och din nästa innehållskalender argumenterar för sig själv.