Un servidor MCP de YouTube permite a Claude obtener transcripciones, buscar videos y consultar detalles bajo demanda. Descubre las tres formas en que funcionan estos servidores, la configuración de Claude Desktop y Claude Code, prompts que devuelven respuestas citables y una alternativa para videos sin subtítulos.
Pegas un enlace de YouTube en un chat, pides las tres afirmaciones que importan y Claude responde a partir de la transcripción real, en lugar de adivinar a partir del título. Esa es la promesa de un servidor MCP de YouTube: un pequeño programa que se sitúa entre Claude y YouTube y entrega transcripciones, detalles de los videos y resultados de búsqueda cuando se le piden. Se acabó avanzar y retroceder por una charla de 90 minutos para encontrar la única diapositiva sobre precios. Se acabó copiar subtítulos en una ventana de chat esperando que el formato se conserve.
También tiene sus puntos débiles. Los subtítulos se desactivan. La búsqueda consume la cuota de la API. Las transcripciones largas ocupan mucho contexto. Este artículo explica cómo funcionan estos servidores, cómo conectar uno a Claude Desktop o Claude Code, qué prompts devuelven respuestas que puedes citar y qué hacer cuando un video no quiere entregar su texto. La última sección ofrece una alternativa para videos sin subtítulos: transcribe tú mismo el audio y luego pasa el texto de vuelta a Claude.
El Model Context Protocol, o MCP, es un estándar abierto que Anthropic presentó a finales de 2024 para que los asistentes de IA llamen a herramientas externas de una forma coherente. Un servidor MCP publica una lista de herramientas, cada una con un nombre, una descripción breve y entradas tipadas. Un cliente como Claude Desktop o Claude Code lee esa lista. Cuando tu petición necesita una de esas herramientas, Claude la llama y lee lo que devuelve.
Un servidor MCP de YouTube suele exponer alguna combinación de estas herramientas, aunque los nombres cambian de un proyecto a otro:
La mayoría de los servidores locales se comunican con Claude a través de stdio. Claude lanza el programa en tu propia máquina e intercambia mensajes con él mediante la entrada y salida estándar. No se aloja nada por ti, y nada se ejecuta a menos que el cliente lo inicie.
Dos capacidades hacen la mayor parte del trabajo, y resuelven problemas distintos.
Las transcripciones responden a «qué se dijo en este video». Son baratas, rápidas y solo de texto. Claude puede citar una frase, crear un esquema con marcas de tiempo o extraer todas las cifras que mencionó un orador.
La búsqueda de videos responde a «qué videos merecen mi tiempo». Devuelve títulos, canales y fechas, pero no dice nada de lo que hay dentro hasta que obtienes las transcripciones de los mejores candidatos. El flujo de trabajo más eficaz encadena ambas cosas: buscar, preseleccionar, obtener transcripciones y comparar.
💡 Consejo: Pide a Claude que muestre la preselección de la búsqueda antes de obtener una sola transcripción. Así ahorras cuota y mantienes limpia la ventana de contexto.
No todos los servidores MCP de YouTube llegan a YouTube de la misma manera. El método determina qué instalas, cuánto cuesta y dónde falla.
Estos obtienen la pista de subtítulos que YouTube ya muestra bajo un video, ya sea mediante una biblioteca de transcripciones o leyendo los subtítulos con yt-dlp. No necesitas credencial de API ni proyecto en Google Cloud, así que la configuración lleva unos minutos. Su punto débil es evidente: si no hay subtítulos, no hay nada que obtener. Además, tienden a bloquearse con más frecuencia cuando se ejecutan desde un servidor en la nube que desde una conexión doméstica.
Estos llaman a la API oficial de datos de YouTube v3 y necesitan una credencial de la consola de Google Cloud. Los metadatos y la búsqueda son fiables, pero la cuota es ajustada. Cada proyecto recibe 10 000 unidades al día de forma predeterminada, una petición de búsqueda cuesta 100 unidades y una consulta sencilla de un video cuesta 1. Eso equivale a unas 100 búsquedas al día antes de agotar la cuota, que se restablece a medianoche, hora del Pacífico. La tabla oficial de cuotas indica el precio de cada método.
Un inconveniente más: descargar subtítulos a través de la API oficial cuesta 200 unidades por llamada y requiere permiso de edición sobre el video. La ruta de la API por sí sola normalmente no puede obtener transcripciones de videos de otros creadores, así que muchas configuraciones combinan la API de datos para la búsqueda con un extractor para las transcripciones.
Estos descargan el audio con yt-dlp y luego aplican reconocimiento de voz. Son más lentos y necesitan capacidad de cómputo, pero funcionan con videos sin subtítulos. Es la opción pesada, y la más adecuada cuando importa más la precisión con audio complicado que la velocidad.
| Enfoque | Esfuerzo de configuración | Necesita credencial de API | Funciona sin subtítulos | Límite principal |
|---|---|---|---|---|
| Extractor de subtítulos | Bajo | No | No | Subtítulos ausentes, peticiones bloqueadas |
| API de datos de YouTube | Medio | Sí | No, para videos de otros creadores | 10 000 unidades al día |
| Descarga y transcripción | Alto | Depende del servidor | Sí | Lento, necesita cómputo |
Antes de instalar nada, elige un servidor cuyo código puedas leer. Un servidor MCP ejecuta código en tu equipo con tus permisos, así que revisa primero el repositorio, la persona que lo mantiene y el historial de commits recientes. También necesitas Node.js para los servidores que se lanzan con npx, o Python con uv para los servidores basados en Python.
Abre Settings, luego Developer y después Edit Config, o abre el archivo directamente. En macOS está en ~/Library/Application Support/Claude/claude_desktop_config.json. En Windows está en %APPDATA%\Claude\claude_desktop_config.json. Añade una entrada bajo mcpServers:
{
"mcpServers": {
"youtube": {
"command": "npx",
"args": ["-y", "your-youtube-mcp-package"]
}
}
}
Sustituye your-youtube-mcp-package por el nombre del paquete que aparece en el README del servidor y añade cualquier variable de entorno que pida el README, como la credencial de la API de datos. Después cierra Claude Desktop por completo y vuelve a abrirlo. El menú de herramientas debería mostrar ahora las herramientas de YouTube.
Claude Code registra un servidor con un único comando:
claude mcp add youtube -- npx -y your-youtube-mcp-package
Añade --scope user para que el servidor esté disponible en todos los proyectos y no solo en el actual. Ejecuta /mcp dentro de Claude Code para comprobar que la conexión está activa.
💡 Consejo para Windows: en Windows nativo, los servidores lanzados con npx suelen necesitar el envoltorio
cmd /c. Usaclaude mcp add youtube -- cmd /c npx -y your-youtube-mcp-package.
Haz una prueba con un video corto: «Obtén la transcripción de esta URL y dame los primeros cinco minutos en viñetas con marcas de tiempo». Claude pide permiso la primera vez que llama a una herramienta. Apruébalo y luego comprueba que las marcas de tiempo coinciden con el video.
Las peticiones concretas superan a las vagas. Pide pruebas, no impresiones:
💡 Consejo: Pedir marcas de tiempo y citas exactas mantiene a Claude anclado en el texto. Si una respuesta no tiene una cita que la respalde, desconfía de ella.
Encadenar búsqueda y transcripciones hace que la configuración compense. Prueba un prompt como este:
«Busca en YouTube los cinco videos más relevantes sobre [tema] y muéstrame primero los títulos y los canales. Después de que elija tres, obtén sus transcripciones y compara en una tabla lo que dice cada uno sobre [pregunta].»
Vigila el tamaño de lo que extraes. El inglés hablado ronda las 150 palabras por minuto, y una palabra equivale aproximadamente a 1,3 tokens, así que estas cifras son estimaciones aproximadas:
| Duración del video | Palabras aprox. | Tokens aprox. |
|---|---|---|
| 10 minutos | 1500 | 2000 |
| 1 hora | 9000 | 12 000 |
| 3 horas | 27 000 | 36 000 |
Meter cinco charlas de una hora en un solo chat supone unos 60 000 tokens de texto sin procesar antes de que Claude escriba una palabra. Las ventanas de contexto grandes lo soportan, pero el consumo sube rápido. Resume cada video en su propia petición y luego pide a Claude que una los resúmenes.
Investigadores y estudiantes. Pasa una lista de reproducción de clases por el servidor, un video cada vez. Pide un glosario y una lista de preguntas abiertas por clase, y luego combínalos en una única hoja de estudio. Como cada respuesta lleva una marca de tiempo, puedes volver al minuto exacto cuando algo no cuadre.
Creadores y podcasters. Extrae las transcripciones de tu propio catálogo y pregunta qué episodios mencionan un tema, qué ganchos se repiten y qué ideas merecen un seguimiento. Los episodios largos se convierten en borradores de blog, secciones de boletín y guiones de clips cortos sin que nadie vuelva a escribir una palabra.
Equipos de producto y marketing. Mira webinars de la competencia y demostraciones de productos sin robarle la tarde a nadie. Extrae la transcripción, pide a Claude que liste las funciones nuevas, los cambios de precio y las afirmaciones de posicionamiento, y pega el resultado en un documento compartido. Los equipos de soporte pueden convertir videos tutoriales en borradores para el centro de ayuda de la misma forma.
💡 Respeta la fuente: Las transcripciones pertenecen a los creadores. Úsalas para investigar, resume y cita la fuente, y no las republiques palabra por palabra.
La mayoría de los fallos se deben a un pequeño número de causas:
| Síntoma | Causa probable | Solución |
|---|---|---|
| «No transcript available» | Subtítulos desactivados o aún no generados | Transcribe el audio, consulta el tutorial de más abajo |
| Funciona en casa, falla en un servidor | El rango de IP del host está bloqueado | Ejecuta el servidor en local |
| Transcripción en otro idioma | El servidor eligió la primera pista de subtítulos | Indica el código de idioma en tu prompt, como en |
| Nombres confusos, sin puntuación | Subtítulos generados automáticamente | Pide a Claude que limpie el texto y señale los nombres que no tenga claros |
| La búsqueda se detiene a mitad del día | Cuota diaria agotada | Busca menos, acorta las listas de resultados, espera al restablecimiento |
| Herramientas que no aparecen en Claude | JSON roto o no se reinició | Valida el archivo de configuración, reinicia el cliente por completo, revisa los registros |
Los videos largos ponen a prueba la ventana de contexto. Pide un resumen por cada segmento de 10 minutos y, al final, un esquema combinado. Si el servidor devuelve marcas de tiempo en segundos, pide a Claude que las convierta en minutos y segundos para que puedas hacer clic directamente en el punto.
Trata además las transcripciones como entrada no confiable. Un video puede contener instrucciones habladas o escritas dirigidas a un modelo de IA, y una transcripción las mete directamente en el chat. Mantén activadas las aprobaciones de herramientas y no ejecutes una sesión de YouTube junto a herramientas que puedan escribir archivos, enviar correos o tocar sistemas de producción.
Cuando faltan los subtítulos o están muy deteriorados, transcribe tú mismo el audio. Descarga solo audio que tengas derecho a usar: tus propios videos, material con licencia o contenido cuyo creador lo permita. GPT 4o Transcribe en Picasso IA convierte después la grabación en texto. Acepta archivos mp3, mp4, mpeg, mpga, m4a, ogg, wav y webm, así que rara vez necesitas convertir nada antes.
en, es o fr. Indicar el idioma mejora tanto la precisión como la velocidad.💡 Consejo: Prueba primero un clip de 30 segundos. Si los nombres salen mal, añádelos al campo de prompt y vuelve a ejecutar el clip antes de procesar la grabación completa.
GPT 4o Mini Transcribe y Gemini 3 Pro están en la misma categoría de voz a texto, así que puedes comparar la precisión con el mismo clip.
Abre Claude Sonnet 5 en Picasso IA y pega la transcripción en el campo prompt. Tres ajustes importan:
low es el valor predeterminado y el más rápido, con el pensamiento desactivado. Cambia a medium o high cuando la transcripción sea larga y la pregunta, sutil.Un prompt que funciona bien: «Resume esta transcripción en cinco viñetas, enumera cada cifra mencionada y cita las dos frases más importantes». En grabaciones de más de una hora, divide el texto en fragmentos de 10 minutos y combina los resultados, el mismo truco que con el servidor de YouTube.
Cuando tengas un resumen, puedes convertirlo en algo que la gente de verdad vea. Pide a Claude Sonnet 5 que condense los tres puntos más fuertes en una breve descripción de escena con un sujeto claro, un movimiento de cámara y una nota de iluminación. Después pega esa descripción en un modelo de texto a video como Seedance 2.0 o Veo 3.1 Fast. Un clip corto hace una buena animación de cabecera para una publicación o un boletín, y todo el ciclo, del audio al video, lleva unos minutos.
Ya tienes el ciclo completo. Un servidor MCP de YouTube le da a Claude la transcripción y los resultados de búsqueda. Cuando fallan los subtítulos, la voz a texto cubre el hueco. Después, un modelo de lenguaje convierte el texto bruto en notas, y un modelo de video convierte esas notas en un clip.
Empieza poco a poco. Elige un video de cinco minutos, transcríbelo en Picasso IA, resúmelo con Claude Sonnet 5 y anima la mejor idea con un modelo de texto a video. Cambia un ajuste cada vez, compara los resultados y guarda los prompts que funcionen. Abre Picasso IA, ejecuta tu primera transcripción y comprueba cuánto de tu próxima sesión de investigación puedes delegar.
Elige tu idioma
