yt-channel-scraper/OPPORTUNITIES.md

AUDIT · Oportunidades de extensión

Análisis de features, comandos y opciones que se pueden construir sobre la infraestructura actual. Cada item incluye: valor, esfuerzo estimado, dependencias y comando propuesto.

---

Infraestructura disponible (lo que ya tenemos)

Recurso	Estado	Reutilizable para
yt-dlp instalado	✅ v2026.7.4	Audio/video download, thumbnails, metadata enriquecida
SQLite 3.49 con FTS5	✅ verificado	Búsqueda full-text sobre transcripciones
SQLite JSON1	✅ verificado	Queries estructuradas sobre metadatos
33 transcripciones parseadas	✅ en data/state.db	Análisis, estadísticas, búsqueda
Markdown con frontmatter YAML	✅ 842 KB en data/markdown/	Obsidian, Pandoc, static site generators
Pipeline modular	✅ 8 módulos	Insertar nuevos pasos sin romper nada

---

TIER 1 · Alto valor, bajo esfuerzo (1-3 h c/u)

1. search — Búsqueda full-text en transcripciones

yt-scraper search "vaporwave"
yt-scraper search "dragon ball" --channel UCmhcYyPg7fsxMzQsY0RJBjw

Qué hace: busca texto dentro de las transcripciones ya scrapeadas y devuelve vídeo + timestamp exacto.

Implementación:

• Nueva tabla transcript_segments(video_id, start, text) poblada durante el scrape
• Índice USING fts5(text) sobre esa tabla
• Comando search que hace SELECT ... WHERE transcript_segments MATCH ?
• Esfuerzo: 1-2 h. Sin dependencias nuevas.

2. stats — Estadísticas del canal

yt-scraper stats
yt-scraper stats --channel UCmhcYyPg7fsxMzQsY0RJBjw

Qué muestra:

Nostal Vlad (@Nostal-Vlad)
  Videos: 33 scrapeados / 37 totales
  Duración total: 11.2 horas
  Palabras totales: 89,432
  Fecha rango: 2019-04-28 → 2026-07-26
  Views promedio: 45,231
  Likes promedio: 3,201
  Top tags: videojuegos (12), 2000s (10), nostalgia (8)

Implementación: queries SQL agregadas + presentación con Rich tables.

• Esfuerzo: 1 h.

3. export — Export multi-formato

yt-scraper export --format json        # un JSON con todo
yt-scraper export --format csv         # CSV de metadatos
yt-scraper export --format srt         # subtítulos SRT estándar
yt-scraper export --format html        # galería navegable

Implementación:

• JSON: serializar Store.get_all() + leer transcripciones de los .md
• CSV: csv.writer sobre metadatos
• SRT: ya tenemos {start, end, text} en Segment — conversión trivial
• HTML: plantilla Jinja2 con tarjetas por vídeo (thumbnail + título + link)
• Esfuerzo: 2-3 h los 4 formatos.

4. clip — Extracción de segmento por timestamp

yt-scraper clip gOUyxFwWQqA --from 01:38 --to 03:20

Qué hace: devuelve el texto de la transcripción entre dos timestamps, listo para citar.

Implementación: cargar el .md, parsear segmentos, filtrar por rango.

• Esfuerzo: 30 min.

5. audio — Descarga de audio (podcast)

yt-scraper --channel "https://www.youtube.com/@Nostal-Vlad/videos" --download-audio

Qué hace: descarga el audio MP3 de cada vídeo junto a la transcripción.

Implementación: añadir a extract.py:

ydl_opts["format"] = "bestaudio/best"
ydl_opts["postprocessors"] = [{"key": "FFmpegExtractAudio", "preferredcodec": "mp3", "preferredquality": "128"}]
ydl_opts["outtmpl"] = str(output_dir / "%(title)s.%(ext)s")

Requiere ffmpeg instalado.

• Esfuerzo: 1 h.

6. re-render — Regenerar Markdown tras cambiar plantilla

yt-scraper re-render

Qué hace: re-procesa todos los .md usando la plantilla actual sin re-descargar nada de YouTube. Útil cuando cambias video.md.j2.

Implementación: guardar segments y chapters en SQLite (columnas JSON), o re-parsear los .md existentes.

• Esfuerzo: 1-2 h.

---

TIER 2 · Alto valor, esfuerzo medio (3-8 h c/u)

7. Multi-canal — Gestión de varios canales

yt-scraper channels add "https://www.youtube.com/@otro-canal"
yt-scraper channels list
yt-scraper --channel @nostal-vlad search "vaporwave"
yt-scraper --all-channels stats

Implementación: tabla channels ya existe; ampliar CLI con subcomandos channels add/list/remove. El Store ya soporta multi-canal (PK por channel_id).

• Esfuerzo: 3-4 h.

8. watch — Monitoreo de nuevos vídeos

yt-scraper watch --interval 6h

Qué hace: ejecuta discovery periódicamente, y si hay vídeos nuevos los procesa automáticamente.

Implementación: loop con time.sleep(interval) + discover_channel(). En Windows se puede dejar corriendo o usar Task Scheduler.

• Esfuerzo: 2-3 h.

9. Análisis de contenido

yt-scraper analyze --wordcloud
yt-scraper analyze --top-words 50
yt-scraper analyze --timeline "vaporwave"

Qué hace:

• Nube de palabras (matplotlib + wordcloud)
• Frecuencia de términos con gráfico
• Timeline: cuándo se mencionó un tema a lo largo del tiempo

Dependencias nuevas: matplotlib, wordcloud, nltk (o regex simple para español).

• Esfuerzo: 4-5 h.

10. thumbnails — Descarga masiva de miniaturas

yt-scraper thumbnails --size maxres

Implementación: ya tenemos thumbnail URL en el frontmatter. Un requests.get por vídeo + guardar en data/thumbnails/.

• Esfuerzo: 30 min.

11. Traducción de transcripciones

yt-scraper --channel @nostal-vlad --translate-to en

Qué hace: traduce cada transcripción al idioma especificado antes de renderizar el Markdown.

Opciones:

• Google Translate (gratis, vía deep-translator): rápido, baja calidad
• LLM (OpenAI/Anthropic): calidad alta, requiere API key
• Esfuerzo: 3-4 h (cualquier ruta).

---

TIER 3 · Features avanzadas (8+ h)

12. LLM Summaries — Resúmenes por vídeo

yt-scraper --channel @nostal-vlad --summarize

Qué hace: genera un resumen de 3-5 párrafos por vídeo usando un LLM. Se añade al Markdown como campo summary en el frontmatter.

Implementación:

• Nuevo módulo summarize.py
• Usa la transcripción completa como contexto
• Modelos: OpenAI gpt-4o-mini ($0.015 por vídeo de 20 min), Anthropic Claude Haiku, o modelo local con ollama
• Guardar resumen en SQLite para no re-ejecutar
• Esfuerzo: 4-6 h.

Dependencias: openai o anthropic o ollama (local, gratis).

13. Q&A / RAG — Preguntas sobre el canal

yt-scraper ask "¿Qué dijo Vlad sobre los juegos flash?"

Qué hace: busca en todas las transcripciones y responde con citas + timestamps exactos.

Implementación:

• RAG simple: FTS5 search → mandar top-K segmentos al LLM como contexto
• RAG con embeddings: sentence-transformers → ChromaDB/FAISS → recuperación semántica
• Esfuerzo: RAG simple 4-5 h, con embeddings 8-10 h.

14. Extracción de entidades (NER)

yt-scraper analyze --entities

Qué hace: detecta personas, marcas, lugares, videojuegos mencionados a lo largo de todos los vídeos.

Output: tabla entities(video_id, type, name, count) → "Pokémon mencionado en 8 vídeos", "Sonic en 5 vídeos".

Implementación: spaCy (modelo es_core_news_sm) o LLM con prompt estructurado.

• Esfuerzo: 4-6 h.

15. Speaker diarization — Separación de hablantes

Qué hace: distingue "narrador" de "entrevistado" o "invitado" en la transcripción.

Implementación: el audit del Web Clipper ya documenta esto (groupBySpeaker en YoutubeExtractor). Se puede portar a Python o usar pyannote-audio.

• Esfuerzo: port del algoritmo 2-3 h; con modelo de audio 8+ h.

---

Matriz de prioridades

#	Feature	Valor	Esfuerzo	ROI
1	search (FTS5)	🔥🔥🔥	1-2 h	⭐⭐⭐
2	stats	🔥🔥	1 h	⭐⭐⭐
3	export json/srt/html	🔥🔥	2-3 h	⭐⭐⭐
4	clip	🔥	30 min	⭐⭐
5	audio download	🔥🔥	1 h	⭐⭐⭐
6	re-render	🔥	1-2 h	⭐⭐
7	Multi-canal	🔥🔥	3-4 h	⭐⭐
8	watch mode	🔥🔥	2-3 h	⭐⭐
9	Análisis (wordcloud)	🔥	4-5 h	⭐
10	thumbnails	🔥	30 min	⭐⭐⭐
11	Traducción	🔥🔥	3-4 h	⭐⭐
12	LLM summaries	🔥🔥🔥	4-6 h	⭐⭐⭐
13	Q&A / RAG	🔥🔥🔥	4-10 h	⭐⭐
14	NER (entidades)	🔥	4-6 h	⭐
15	Speaker diarization	🔥	2-8 h	⭐

---

Dependencias Python adicionales por feature

# Tier 1 — sin dependencias nuevas (solo stdlib)
# search, stats, export, clip, re-render usan SQLite + Jinja2 ya instalados

# Tier 2
pip install matplotlib wordcloud      # análisis / wordcloud
pip install deep-translator           # traducción gratuita

# Tier 3
pip install openai                    # LLM summaries / Q&A
pip install sentence-transformers     # embeddings para RAG semántico
pip install spacy && python -m spacy download es_core_news_sm   # NER
pip install pyannote.audio            # speaker diarization (requiere GPU idealmente)

# Audio download
# Requiere ffmpeg instalado en el sistema:
#   winget install ffmpeg
#   o: choco install ffmpeg

---

Comandos compuestos propuestos (pipelines)

# Pipeline completo: scrapear + buscar + extraer clip
yt-scraper --channel @nostal-vlad scrape
yt-scraper search "frutiger aero"
yt-scraper clip 8tMQMtIBfTE --from 02:15 --to 04:30 > clip.md

# Pipeline de análisis
yt-scraper stats > stats.txt
yt-scraper export --format html > index.html
yt-scraper analyze --top-words 30 > palabras.csv

# Pipeline LLM
yt-scraper --channel @nostal-vlad --summarize
yt-scraper ask "¿Qué opina Vlad sobre la cultura otaku?"