Como baixar a transcrição de um vídeo do YouTube (e deixá-la utilizável)

Todo vídeo legendado do YouTube já foi transcrito. A máquina fez o trabalho, o texto existe e está a três cliques de você. O irritante não é conseguir o texto — é que o que sai de lá é quase, mas não exatamente, aquilo que você queria.

Você foi atrás porque precisava das palavras. Uma palestra de duas horas com um trecho útil em algum ponto do meio. A demonstração de produto de um concorrente que você quer citar com precisão. Quarenta minutos de aula que precisam virar resumo até quinta. Seja qual for o motivo, arrastar o mouse pela linha do tempo não é método de pesquisa, e você sabe disso.

Então aqui está: como baixar a transcrição de um vídeo do YouTube no computador e no celular, o que fazer quando o botão que deveria estar ali não está e — a parte que quase todos os guias pulam — como transformar o texto bruto em algo que você releria de verdade.

Três saídas, na ordem em que vale tentar

Qual delas serve depende de uma única pergunta: o vídeo é seu?

Se você é espectador: o painel de transcrição

No computador, abra o vídeo, expanda a descrição e clique em Mostrar transcrição. Um painel rolável abre à direita do player com o texto completo, dividido em linhas com marcação de tempo que se destacam conforme o vídeo avança. Selecione, copie e cole onde estiver trabalhando.

É esse o método inteiro, e vale ser direto sobre um ponto: não existe botão de download para espectadores. O YouTube mostra o texto e espera que você o leve com Ctrl+C. Toda ferramenta de "baixar transcrição do YouTube" que você encontrar faz alguma versão disso por você — busca a faixa de legendas e devolve como arquivo.

Se o vídeo é seu: o YouTube Studio

Criadores recebem o que o espectador não recebe: um arquivo de verdade. No YouTube Studio, vá em Legendas, escolha o vídeo e use o menu de download para exportar .srt ou .vtt. São formatos de legenda reais, com os dados de tempo intactos, o que importa se você for jogar isso num editor ou subir legendas em outro lugar. Se a transcrição tem outro destino que não um documento de texto, comece por aqui.

Se nenhum dos dois serve: uma ferramenta de transcrição

Cole a URL do vídeo, receba o texto. Essas ferramentas existem por causa das duas lacunas acima — nada de download para espectadores e absolutamente nada no celular. As boas ainda rodam reconhecimento de fala quando o vídeo não tem legendas para buscar, que é justamente a única coisa que o YouTube não faz por você.

Dica rápida: com o painel aberto, use Ctrl+F (Cmd+F no Mac) para procurar no texto e clique na linha encontrada. O player pula direto para aquele momento. Um vídeo de duas horas vira algo navegável em uns quinze segundos, e você não precisa copiar nada.

Quando o botão que deveria estar ali não está

É o problema mais comum, e a explicação é mais simples do que os fóruns sugerem. A transcrição do YouTube é gerada a partir das legendas. Sem legendas, sem transcrição — não há nada por baixo do recurso para ser exibido.

Então, quando Mostrar transcrição não aparece, uma destas coisas é verdade:

• O criador desativou as legendas. É escolha dele, e não há como contornar do lado do espectador.
• O vídeo é novo demais. A legendagem automática roda depois do upload e leva um tempo. Volte mais tarde.
• O idioma não é coberto. A legendagem automática suporta uma lista longa, mas não tudo.
• Uma extensão do navegador está atrapalhando. Bloqueadores de anúncio e extensões para o YouTube remontam a página e às vezes enterram esse controle.

Há um jeito rápido de separar os três primeiros casos do quarto: procure o ícone CC no player. Se ele não estiver lá, não existe faixa de legendas e nenhuma ferramenta do mundo consegue buscá-la — a única saída é rodar reconhecimento de fala no áudio. Se o CC está lá mas a opção de transcrição não, o problema é a página, não o vídeo.

Dica rápida: abra o mesmo vídeo numa janela anônima antes de sair caçando solução. Extensões não carregam ali e os dados do site não interferem. Se a transcrição aparecer, você achou o culpado em uns cinco segundos.

O app lê para você, mas não deixa você levar

Essa é a que manda gente para o Google às onze da noite. No app do YouTube, dá para tocar no título do vídeo ou em …mais para expandir a descrição, e em muitos vídeos a transcrição está ali. Você consegue ler. Consegue acompanhar. O que você não consegue é selecionar o texto e copiar.

É uma limitação estranha, e não há contorno dentro do próprio app. Duas coisas funcionam:

1. Solicitar a versão para computador. No Safari ou no Chrome do celular, abra o vídeo e use o menu do navegador para trocar para a versão de desktop. O painel de transcrição aparece como apareceria num notebook, e a seleção de texto volta junto.
2. Copiar o link e colar numa ferramenta de transcrição. Toque em Compartilhar, Copiar link e cole na ferramenta que você usar. É o caminho em que a maioria acaba, e explica por que as ferramentas de "transcrição do YouTube" recebem tanto tráfego mobile — elas resolvem uma limitação do app, não um problema técnico.

Se você está no celular e com pressa, a segunda opção é mais rápida. O truque da versão desktop é mais trabalhoso do que parece numa tela pequena.

O que 90% de precisão custa de verdade

Quem já leu legendas automáticas com atenção tem uma frase destroçada favorita. Os criadores até deram um nome a elas: craptions. Mas o problema merece números reais, porque "bem razoável" e "bom o bastante para citar" são padrões muito diferentes.

As legendas automáticas do YouTube ficam entre 85% e 95% de precisão, e a variável é quase inteiramente o áudio, não o algoritmo. Uma gravação limpa de estúdio, com uma pessoa falando com clareza, chega a 94–96%. O mesmo sistema num vídeo gravado na rua, com trânsito e vento, cai para 78–82%.

Agora faça a conta. As pessoas falam mais ou menos 150 palavras por minuto, então um vídeo de 40 minutos tem cerca de 6.000 palavras. A 90% de precisão, são 600 palavras erradas espalhadas pela sua transcrição. Não é algo ininteligível — na maior parte são coisas pequenas: uma vírgula ausente que inverte a oração, um nome grafado de quatro jeitos, um termo técnico trocado por aquilo que rimava. Suficiente para tornar uma citação direta arriscada e um trecho publicado constrangedor.

A regra prática: legendas automáticas servem para buscar, passar o olho e resumir. Não servem quando uma frase específica vai para um artigo, uma citação ou um processo. Nesses casos, leia o trecho que você vai citar contra o áudio antes de publicar. Leva um minuto e evita uma errata.

O nome de ninguém está no arquivo

Procure como colocar o nome de quem fala numa transcrição do YouTube e você vai achar muitas gambiarras e nenhuma resposta real. A resposta real é que as legendas automáticas do YouTube não têm a menor noção de quem está falando. A saída é um fluxo contínuo de texto. Uma mesa-redonda com três pessoas volta com a cara exata de um monólogo.

Num vídeo explicativo de uma pessoa só, tudo bem. Numa entrevista, num episódio de podcast ou numa reunião gravada, é a diferença entre um documento utilizável e um paredão que você vai ter que reconstruir de memória. Você acaba arrastando o vídeo assim mesmo — exatamente o que queria evitar.

O que resolve isso é a diarização: a transcrição separa as vozes e marca cada uma. A maioria das ferramentas pagas inclui isso, e as ferramentas feitas para reuniões — o Laxis entre elas — tratam como comportamento padrão, não como recurso, porque uma transcrição de reunião sem identificação de quem falou não é lá muito transcrição. As marcações continuam genéricas (Participante 1, Participante 2), então você renomeia uma vez no topo e o documento inteiro fica legível.

Dica rápida: seja qual for a ferramenta, confira a transcrição por amostragem nos pontos em que a fala troca de pessoa. A diarização escorrega sobretudo quando duas pessoas falam ao mesmo tempo, e um erro ali não parece erro — parece que alguém disse algo que não disse.

Os vinte minutos entre o texto bruto e algo que você releria

Uma transcrição é matéria-prima. Copiar para um documento e considerar o trabalho feito é onde a maioria para, e é por isso que tanta transcrição é baixada uma vez e nunca mais aberta.

Quatro coisas fazem a diferença, e nenhuma delas demora:

Tire as marcações de tempo se não precisar delas. Dentro do painel de transcrição, o menu de três pontos tem a opção Ativar/desativar carimbos de data e hora. Desligue antes de copiar e você recebe texto corrido em vez de uma lista numerada que teria de limpar à mão.

Corrija os nomes próprios primeiro. Nomes, produtos e jargão são onde o reconhecimento de fala erra mais feio e onde o erro faz mais estrago. Um localizar-e-substituir nos três ou quatro termos que importam limpa a maior parte da bagunça em menos de um minuto.

Coloque as quebras de parágrafo. As legendas automáticas chegam como um bloco único e indiferenciado. Quebrá-lo nas mudanças de assunto é o que transforma uma transcrição de algo que se pesquisa em algo que se lê.

Escreva o resumo enquanto está fresco. Três tópicos no topo — sobre o que era, o que foi decidido ou afirmado, o que você pretende fazer com aquilo. O você do futuro vai ler esses três tópicos e pular o resto, que é justamente o objetivo.

É nesse último passo que mora a maior parte do valor, e é o que as pessoas pulam porque é a única parte que exige pensar. Também é o que as melhores ferramentas de transcrição já fazem por você. Se a sua gravação é uma reunião e não um vídeo do YouTube, esse fluxo já é praticamente automático — o Laxis registra a chamada, marca quem falou e produz a versão de decisões e tarefas ao lado do texto completo, de modo que o resumo existe antes de você ir procurá-lo. Fonte diferente, mesmo princípio: a transcrição é a entrada, não o resultado.

A transcrição nunca foi o objetivo

Repare no que aconteceu com essa tarefa nos últimos anos. Tirar palavras de um vídeo já foi genuinamente difícil — você pagava alguém ou digitava você mesmo, a quatro horas por hora de gravação. Hoje o texto já vem pronto, de graça e a três cliques, e toda a dificuldade migrou para baixo, para a forma: sem nome de quem fala, sem parágrafos, sem resumo e com um botão de copiar que misteriosamente não funciona no aparelho que quase todo mundo tem na mão.

O que sugere que o que há para otimizar não é a extração. Quase ninguém quer uma transcrição de fato. As pessoas querem achar um momento dentro de duas horas, conferir uma citação ou transformar uma palestra em anotações — e a transcrição é só o formato menos ruim entre elas e esse objetivo. As ferramentas que valem o dinheiro em 2026 não são as que buscam o texto mais rápido. São as que entenderam que o texto nunca foi o ponto.

Perguntas frequentes

Como baixo a transcrição de um vídeo do YouTube?

No computador, expanda a descrição do vídeo e clique em Mostrar transcrição. Um painel com marcação de tempo abre ao lado do player; selecione o texto e copie. O YouTube não dá botão de download ao espectador, então copiar é o download. Se o vídeo é seu, o YouTube Studio entrega um arquivo de verdade: Legendas, escolha o vídeo e baixe como .srt ou .vtt.

Por que o Mostrar transcrição sumiu no YouTube?

A transcrição é montada a partir das legendas, então sem legendas não há transcrição. Isso acontece quando o criador desativou as legendas, quando o vídeo é novo demais para a legendagem automática ter terminado ou quando o idioma ainda não é suportado. Se nem o ícone CC aparece no player, não existe faixa de legendas para ler. Extensões do navegador também escondem o botão — abrir numa janela anônima descarta essa hipótese em segundos.

Como consigo a transcrição do YouTube no celular?

O app do YouTube consegue mostrar a transcrição sob a descrição expandida, mas não deixa selecionar nem copiar o texto. Para levá-lo, solicite a versão para computador no navegador do celular e use o painel de lá, ou copie o link do vídeo e cole numa ferramenta de transcrição. Copiar dentro do app é a única coisa que ele não permite.

Qual é a precisão das legendas automáticas do YouTube?

Entre aproximadamente 85% e 95%, e a variável é o áudio, não o algoritmo. Gravações limpas de estúdio chegam a 94–96%; vídeo gravado na rua, com ruído de fundo, cai para 78–82%. A 90% de precisão, um vídeo de 40 minutos carrega cerca de 600 palavras erradas, e é por isso que as legendas automáticas são um ponto de partida e não uma transcrição pronta.

Como removo as marcações de tempo de uma transcrição do YouTube?

Abra o menu de três pontos dentro do painel de transcrição e escolha ativar/desativar os carimbos de data e hora. As marcas somem e o texto vira prosa corrida, que você cola num documento sem precisar apagar números linha por linha.

As transcrições do YouTube trazem o nome de quem fala?

Não. As legendas automáticas do YouTube são um fluxo único de texto sem identificação de quem fala, então uma entrevista ou uma mesa-redonda chega com a cara de um monólogo. Ferramentas com diarização separam as vozes e as rotulam como Participante 1 e Participante 2, deixando para você atribuir os nomes reais uma única vez.