https://github.com/esscova/tubetalk
Assistente pessoal do YouTube com IA. O TubeTalk ajuda você a analisar vídeos do YouTube extraindo insights, gerando resumos e possibilitando conversas interativas sobre o conteúdo.
https://github.com/esscova/tubetalk
langchain llm python streamlit youtube
Last synced: about 2 months ago
JSON representation
Assistente pessoal do YouTube com IA. O TubeTalk ajuda você a analisar vídeos do YouTube extraindo insights, gerando resumos e possibilitando conversas interativas sobre o conteúdo.
- Host: GitHub
- URL: https://github.com/esscova/tubetalk
- Owner: esscova
- License: mit
- Created: 2025-10-19T00:25:39.000Z (8 months ago)
- Default Branch: main
- Last Pushed: 2025-10-24T00:56:53.000Z (8 months ago)
- Last Synced: 2025-10-24T02:55:48.992Z (8 months ago)
- Topics: langchain, llm, python, streamlit, youtube
- Language: Python
- Homepage:
- Size: 573 KB
- Stars: 0
- Watchers: 0
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project
README
# TubeTalk
[](https://www.python.org/downloads/)
[](https://streamlit.io/)
[](LICENSE)
**TubeTalk** é um aplicativo web baseado em Python que permite aos usuários analisar vídeos do YouTube, extraindo transcrições e metadados, gerando resumos, tópicos-chave e artigos completos com o auxílio de modelos de linguagem avançados (LLMs). A interface, construída com Streamlit, oferece uma experiência interativa com visualização de metadados, análises e um chat contextual para perguntas relacionadas ao vídeo.
Desenvolvido por [Wellington M. Santos](https://www.linkedin.com/in/wellington-moreira-santos).
## Funcionalidades
- **Extração de Dados do YouTube**: Obtém transcrições e metadados (título, autor, canal, data de publicação, visualizações, duração, etc.) de vídeos do YouTube usando `youtube_transcript_api` e `yt_dlp`.
- **Processamento com LLMs**: Gera resumos, extrai tópicos-chave e cria artigos baseados em transcrições, utilizando provedores como OpenAI, Groq, Ollama e HuggingFace.
- **Interface Interativa**: Interface web com Streamlit que exibe metadados, análises (resumo, tópicos, artigo) e permite interação via chat com contexto do vídeo.
- **Configuração Flexível**: Suporta múltiplos provedores de LLM com configuração de modelo, temperatura e número máximo de tokens.
- **Exportação de Resultados**: Permite baixar resumos, tópicos e artigos em formatos `.txt` e `.md`.
## Estrutura do Projeto
O projeto é composto por três módulos principais:
1. **`youtube_service.py`**: Extrai transcrições e metadados de vídeos do YouTube.
2. **`llm_service.py`**: Processa transcrições usando LLMs para gerar resumos, tópicos e artigos.
3. **`ui.py`**: Interface de usuário web com Streamlit, integrando os serviços acima.
## Requisitos
- Python 3.8 ou superior
- Gerenciador de pacotes **uv** (para gerenciamento de dependências via `pyproject.toml`).
> **Nota:** O [uv](https://github.com/astral-sh/uv) é um gerenciador de dependências ultrarrápido para Python, compatível com arquivos `pyproject.toml`. Ele foi escolhido por sua velocidade e simplicidade em relação a alternativas como `pip` ou `poetry`, facilitando a instalação e sincronização de dependências em projetos modernos.
- Dependências especificadas em `pyproject.toml`, incluindo:
- `streamlit`
- `youtube_transcript_api`
- `yt_dlp`
- `python-dotenv`
- `langchain`
- `langchain-community`
- `langchain-openai`
- `langchain-groq`
## Instalação
1. **Clone o repositório**:
```bash
git clone https://github.com/esscova/tubetalk.git
cd tubetalk
```
2. **Instale o uv** (se ainda não estiver instalado):
```bash
pip install uv
```
3. **Crie um ambiente virtual com uv**:
```bash
uv venv
source .venv/bin/activate # Linux/Mac
.venv\Scripts\activate # Windows
```
4. **Sincronize as dependências com uv**:
```bash
uv sync
```
Isso instalará todas as dependências listadas no arquivo `pyproject.toml`.
5. **Configure as chaves de API**:
Crie um arquivo `.env` na raiz do projeto com as chaves de API necessárias:
```plaintext
OPENAI_API_KEY=your-openai-key
GROQ_API_KEY=your-groq-key
HUGGINGFACEHUB_API_TOKEN=your-huggingface-key
```
Observação: Ollama não requer chave de API, mas deve estar em execução localmente.
6. **Configure os templates de prompt** (se necessário):
Certifique-se de que o módulo `configs.prompts` contém os templates `SUMMARY_PROMPT_TEMPLATE`, `TOPICS_PROMPT_TEMPLATE` e `ARTICLE_PROMPT_TEMPLATE`. Exemplo:
```python
# configs/prompts.py
SUMMARY_PROMPT_TEMPLATE = "Resuma o seguinte texto em 3-5 frases: {transcript}"
TOPICS_PROMPT_TEMPLATE = "Extraia os tópicos principais do texto: {transcript}"
ARTICLE_PROMPT_TEMPLATE = "Escreva um artigo com base no texto: {transcript}"
```
## Uso
1. **Execute o aplicativo**:
```bash
streamlit run ./src/main.py
```
2. **Acesse a interface**:
- Abra o navegador no endereço fornecido (geralmente `http://localhost:8501`).
- Insira uma URL de vídeo do YouTube (ex.: `https://www.youtube.com/watch?v=Sm5jALppTLE`).
- Configure o provedor de LLM, modelo, chave de API (se necessário), temperatura e máximo de tokens na barra lateral.
- Clique em **Analisar Vídeo** para extrair metadados e gerar análises.
3. **Funcionalidades da interface**:
- **Metadados**: Visualize título, canal, autor, data, visualizações e duração.
- **Abas de análise**:
- **Summary**: Exibe o resumo do vídeo com opção de download (`.txt`).
- **Topics**: Lista os tópicos principais com opção de download (`.txt`).
- **Article**: Mostra o artigo gerado com opção de download (`.md`).
- **Chat**: Permite perguntas contextuais sobre o vídeo (título, descrição, tags, resumo, transcrição).
- **Analisar Outro Vídeo**: Redefine a interface para processar um novo vídeo.
## Exemplo de Uso
```python
from ui import UI
# Inicializa e executa a interface
ui = UI()
ui.run()
```
Na interface:
1. Insira a URL: `https://www.youtube.com/watch?v=Sm5jALppTLE`.
2. Escolha o provedor (ex.: `groq`), modelo (ex.: `llama-3.3-70b-versatile`) e insira a chave de API.
3. Clique em **Analisar Vídeo**.
4. Navegue pelas abas para visualizar resumo, tópicos e artigo.
5. Use a aba **Chat** para fazer perguntas como: "Qual é o tema principal do vídeo?".
## Configuração de LLMs
- **OpenAI**: Requer chave de API (`OPENAI_API_KEY`). Modelo padrão: `gpt-3.5-turbo`.
- **Groq**: Requer chave de API (`GROQ_API_KEY`). Modelo padrão: `llama-3.3-70b-versatile`.
- **HuggingFace**: Requer chave de API (`HUGGINGFACEHUB_API_TOKEN`). Modelo padrão: `mistralai/Mistral-7B-Instruct-v0.1`.
- **Ollama**: Não requer chave de API, mas precisa estar em execução localmente. Modelo padrão: `llama2`.
Teste a configuração do LLM na barra lateral antes de analisar vídeos.
## Limitações
- **YouTube**:
- Depende da disponibilidade da API de transcrições do YouTube.
- Vídeos privados ou com restrições de idade/região podem não ser processados.
- **LLMs**:
- Requer chaves de API válidas para OpenAI, Groq e HuggingFace.
- O desempenho depende do modelo e provedor selecionados.
- **Interface**:
- Suporta apenas um vídeo por sessão.
- O chat usa apenas os primeiros 800 caracteres da transcrição para contexto.
## Contribuição
Contribuições são bem-vindas! Para contribuir:
1. Faça um fork do repositório.
2. Crie uma branch para sua feature (`git checkout -b feature/nova-funcionalidade`).
3. Commit suas alterações (`git commit -m 'Adiciona nova funcionalidade'`).
4. Envie para o repositório remoto (`git push origin feature/nova-funcionalidade`).
5. Abra um Pull Request.
## Licença
Este projeto está licenciado sob a [MIT License](LICENSE).
## Contato
Desenvolvido por [Wellington M. Santos](https://www.linkedin.com/in/wellington-moreira-santos). Para dúvidas ou sugestões, abra uma issue no repositório ou entre em contato via LinkedIn.