YouTube MCP Server: Claude में ट्रांसक्रिप्ट और वीडियो सर्च, और कहाँ यह टूटता है

आप चैट में YouTube लिंक पेस्ट करते हैं, तीन ज़रूरी बातें पूछते हैं, और Claude शीर्षक से अंदाज़ा लगाने के बजाय असली ट्रांसक्रिप्ट से जवाब देता है। यही YouTube MCP server का वादा है: एक छोटा प्रोग्राम जो Claude और YouTube के बीच बैठता है और माँगे जाने पर ट्रांसक्रिप्ट, वीडियो की जानकारी और सर्च नतीजे देता है। अब 90 मिनट के भाषण में प्राइसिंग वाली एक स्लाइड ढूँढने के लिए स्क्रॉल करने की ज़रूरत नहीं। और कैप्शन को चैट विंडो में कॉपी करके यह उम्मीद करना नहीं पड़ता कि फ़ॉर्मेटिंग बची रहेगी।

इसकी कुछ असली दिक्कतें भी हैं। कैप्शन बंद हो सकते हैं। सर्च API क्वोटा तेज़ी से खर्च करती है। लंबी ट्रांसक्रिप्ट कॉन्टेक्स्ट को भर देती हैं। यह लेख बताता है कि ये सर्वर कैसे काम करते हैं, इन्हें Claude Desktop या Claude Code से कैसे जोड़ें, कौन से प्रॉम्प्ट ऐसे जवाब देते हैं जिन्हें आप कोट कर सकें, और जब कोई वीडियो अपना टेक्स्ट देने से इनकार करे तो क्या करें। आख़िरी सेक्शन उन वीडियो के लिए फ़ॉलबैक देता है जिनमें कोई कैप्शन नहीं: ऑडियो खुद ट्रांसक्राइब करें, फिर टेक्स्ट वापस Claude को दें।

YouTube MCP Server क्या करता है

MCP सरल शब्दों में

Model Context Protocol, यानी MCP, एक ओपन स्टैंडर्ड है जिसे Anthropic ने 2024 के अंत में पेश किया, ताकि AI असिस्टेंट बाहरी टूल्स को एक ही सुसंगत तरीके से कॉल कर सकें। MCP server टूल्स की एक सूची प्रकाशित करता है, जिसमें हर टूल का नाम, एक छोटा विवरण और टाइप किए गए इनपुट होते हैं। Claude Desktop या Claude Code जैसा क्लाइंट यह सूची पढ़ता है। जब आपके अनुरोध को इनमें से किसी टूल की ज़रूरत होती है, तो Claude उसे कॉल करता है और जो वापस आता है उसे पढ़ता है।

YouTube MCP server आम तौर पर इन टूल्स में से कुछ मिश्रण देता है, हालाँकि प्रोजेक्ट के हिसाब से नाम बदलते रहते हैं:

• ट्रांसक्रिप्ट लाएँ: वीडियो URL या ID लेता है और कैप्शन टेक्स्ट लौटाता है, अक्सर टाइमस्टैम्प के साथ।
• वीडियो की जानकारी लाएँ: शीर्षक, चैनल, विवरण, अवधि, प्रकाशन तिथि और व्यू काउंट।
• वीडियो खोजें: एक क्वेरी लेता है और मिलते-जुलते वीडियो लौटाता है।
• चैनल या प्लेलिस्ट के वीडियो सूचीबद्ध करें: किसी एक क्रिएटर की पूरी कैटलॉग पर बैच काम के लिए उपयोगी।
• कमेंट लाएँ: कुछ सर्वर इसे शामिल करते हैं, दर्शकों की प्रतिक्रिया जाँचने के लिए उपयोगी।

ज़्यादातर लोकल सर्वर stdio के ज़रिए Claude से बात करते हैं। Claude आपकी अपनी मशीन पर प्रोग्राम शुरू करता है और standard input और output के ज़रिए उससे संदेशों का आदान-प्रदान करता है। आपके लिए कुछ होस्ट नहीं होता, और क्लाइंट के शुरू किए बिना कुछ नहीं चलता।

ट्रांसक्रिप्ट बनाम वीडियो सर्च

दो क्षमताएँ ज़्यादातर काम करती हैं, और वे अलग-अलग समस्याएँ हल करती हैं।

ट्रांसक्रिप्ट बताते हैं कि "इस वीडियो में क्या कहा गया।" ये सस्ते, तेज़ और सिर्फ़ टेक्स्ट होते हैं। Claude कोई वाक्य कोट कर सकता है, टाइमस्टैम्प वाली आउटलाइन बना सकता है, या वक्ता द्वारा बताई गई हर संख्या निकाल सकता है।

वीडियो सर्च बताती है कि "कौन से वीडियो आपका समय लायक हैं।" यह शीर्षक, चैनल और तारीखें लौटाती है, लेकिन जब तक सबसे अच्छे उम्मीदवारों के ट्रांसक्रिप्ट नहीं लाए जाते, यह नहीं बताती कि अंदर क्या है। सबसे मज़बूत वर्कफ़्लो दोनों को जोड़ता है: खोजें, शॉर्टलिस्ट करें, ट्रांसक्रिप्ट लाएँ, तुलना करें।

💡 टिप: Claude से कहें कि एक भी ट्रांसक्रिप्ट लाने से पहले सर्च की शॉर्टलिस्ट दिखाए। इससे क्वोटा बचता है और कॉन्टेक्स्ट विंडो साफ़ रहती है।

ये सर्वर काम करने के तीन तरीके

हर YouTube MCP server YouTube तक एक ही तरीके से नहीं पहुँचता। यह तरीका तय करता है कि आप क्या इंस्टॉल करते हैं, उसकी लागत क्या है, और वह कहाँ फ़ेल होता है।

कैप्शन स्क्रैपर सर्वर

ये वह कैप्शन ट्रैक लाते हैं जो YouTube पहले से वीडियो के नीचे दिखाता है, या तो किसी ट्रांसक्रिप्ट लाइब्रेरी से या yt-dlp से सबटाइटल पढ़कर। आपको किसी API credential या Google Cloud project की ज़रूरत नहीं होती, इसलिए सेटअप कुछ मिनटों में हो जाता है। कमज़ोरी साफ़ है: कैप्शन नहीं, तो लाने के लिए कुछ नहीं। ये क्लाउड सर्वर से चलने पर घरेलू कनेक्शन की तुलना में ज़्यादा बार ब्लॉक भी होते हैं।

YouTube Data API सर्वर

ये आधिकारिक YouTube Data API v3 को कॉल करते हैं और Google Cloud Console से एक credential चाहिए। मेटाडेटा और सर्च भरोसेमंद हैं, लेकिन क्वोटा तंग है। हर project को डिफ़ॉल्ट रूप से हर दिन 10,000 units मिलते हैं, एक सर्च अनुरोध की लागत 100 units है, और एक सादी वीडियो लुकअप की लागत 1। इसका मतलब है क्वोटा खत्म होने से पहले लगभग 100 सर्च प्रतिदिन। यह मध्यरात्रि Pacific Time पर रीसेट होता है। आधिकारिक क्वोटा टेबल हर मेथड की कीमत बताती है।

एक और पेच: आधिकारिक API के ज़रिए कैप्शन डाउनलोड करने की लागत प्रति कॉल 200 units है और वीडियो पर edit permission चाहिए। अकेला API रास्ता आम तौर पर दूसरे क्रिएटर्स के वीडियो की ट्रांसक्रिप्ट नहीं ला सकता, इसलिए कई सेटअप सर्च के लिए Data API को ट्रांसक्रिप्ट के लिए स्क्रैपर के साथ जोड़ते हैं।

डाउनलोड और ट्रांसक्राइब सर्वर

ये yt-dlp से ऑडियो डाउनलोड करते हैं, फिर उस पर स्पीच रिकग्निशन चलाते हैं। ये धीमे होते हैं और कंप्यूट चाहिए, लेकिन ये बिना कैप्शन वाले वीडियो पर भी काम करते हैं। यह भारी विकल्प है, और तब सही चुनाव जब गड़बड़ ऑडियो पर सटीकता गति से ज़्यादा मायने रखती हो।

कुछ मिनटों में Claude से जोड़ें

कुछ इंस्टॉल करने से पहले ऐसा सर्वर चुनें जिसका सोर्स आप पढ़ सकें। MCP server आपकी मशीन पर आपकी अनुमतियों के साथ कोड चलाता है, इसलिए पहले repository, maintainer और हाल की commit history जाँचें। npx से शुरू होने वाले सर्वरों के लिए Node.js चाहिए, और Python आधारित सर्वरों के लिए uv के साथ Python।

Claude Desktop Config

Settings, फिर Developer, फिर Edit Config खोलें, या फ़ाइल सीधे खोलें। macOS पर यह ~/Library/Application Support/Claude/claude_desktop_config.json पर रहती है। Windows पर यह %APPDATA%\Claude\claude_desktop_config.json पर रहती है। mcpServers के नीचे एक entry जोड़ें:

{
  "mcpServers": {
    "youtube": {
      "command": "npx",
      "args": ["-y", "your-youtube-mcp-package"]
    }
  }
}

प्रॉम्प्ट कॉपी करें

your-youtube-mcp-package की जगह सर्वर के README से पैकेज का नाम डालें, और README जो भी एनवायरनमेंट वेरिएबल माँगे उसे जोड़ें, जैसे Data API क्रेडेंशियल। फिर Claude Desktop को पूरी तरह बंद करके दोबारा खोलें। टूल्स मेनू में अब YouTube के टूल्स दिखने चाहिए।

Claude Code वन-लाइनर

Claude Code एक ही कमांड से सर्वर रजिस्टर करता है:

claude mcp add youtube -- npx -y your-youtube-mcp-package

प्रॉम्प्ट कॉपी करें

सर्वर को केवल मौजूदा project के बजाय हर project में उपलब्ध कराने के लिए --scope user जोड़ें। Claude Code के अंदर /mcp चलाएँ यह जाँचने के लिए कि कनेक्शन चालू है।

💡 Windows टिप: नेटिव Windows पर npx से शुरू होने वाले सर्वरों को आम तौर पर cmd /c wrapper चाहिए। claude mcp add youtube -- cmd /c npx -y your-youtube-mcp-package का उपयोग करें।

एक छोटे वीडियो से टेस्ट करें: "इस URL का ट्रांसक्रिप्ट लाएँ और पहले पाँच मिनट बुलेट में टाइमस्टैम्प के साथ दें।" पहली बार टूल कॉल करते समय Claude अनुमति माँगता है। उसे मंज़ूरी दें, फिर जाँचें कि टाइमस्टैम्प वीडियो से मेल खाते हैं।

ऐसे प्रॉम्प्ट जो सच में काम करते हैं

एक वीडियो के प्रॉम्प्ट

साफ़-साफ़ अनुरोध धुंधले अनुरोधों से बेहतर होते हैं। इम्प्रेशन नहीं, सबूत माँगें:

1. "ट्रांसक्रिप्ट निकालो और हर लाइन पर टाइमस्टैम्प के साथ 10 लाइन की आउटलाइन लिखो।"
2. "वक्ता द्वारा बताई गई हर कीमत, संख्या और तारीख सूचीबद्ध करो, साथ में वह सटीक वाक्य जहाँ से वह आया।"
3. "वक्ता का हर दावा कोट करो जिसे मुझे कहीं और जाँचना चाहिए।"
4. "इस लेक्चर से पाँच क्विज़ प्रश्न बनाओ, उत्तर और टाइमस्टैम्प के साथ।"

💡 टिप: टाइमस्टैम्प और सटीक कोट माँगने से Claude टेक्स्ट पर टिका रहता है। अगर किसी जवाब के पीछे कोई कोट नहीं है, तो उस पर शक करें।

कई वीडियो के प्रॉम्प्ट

सर्च और ट्रांसक्रिप्ट को जोड़ने में ही सेटअप का फ़ायदा मिलता है। ऐसा प्रॉम्प्ट आज़माएँ:

"[topic] के बारे में YouTube पर पाँच सबसे प्रासंगिक वीडियो खोजें और पहले मुझे टाइटल और चैनल दिखाएँ। मेरे तीन चुनने के बाद उनके ट्रांसक्रिप्ट लाओ और तालिका में तुलना करो कि हर एक [question] पर क्या कहता है।"

जितना आप खींचते हैं उस पर नज़र रखें। बोली जाने वाली अंग्रेज़ी लगभग 150 शब्द प्रति मिनट चलती है, और एक शब्द लगभग 1.3 टोकन लेता है, तो ये मोटे अनुमान हैं:

पाँच एक-घंटे के भाषण एक ही चैट में लाने का मतलब है कि Claude एक शब्द लिखने से पहले लगभग 60,000 टोकन का कच्चा टेक्स्ट खींच लेता है। बड़े कॉन्टेक्स्ट विंडो इसे संभाल लेते हैं, लेकिन इससे उपयोग तेज़ी से खर्च होता है। हर वीडियो को उसके अपने अनुरोध में सारांशित करें, फिर Claude से सारांश मिलाने को कहें।

दोहराने लायक असली वर्कफ़्लो

शोधकर्ता और छात्र। किसी लेक्चर प्लेलिस्ट को सर्वर से एक बार में एक वीडियो करके गुज़ारें। हर लेक्चर के लिए ग्लॉसरी और खुले सवालों की सूची माँगें, फिर उन्हें एक स्टडी शीट में मिलाएँ। चूँकि हर उत्तर के साथ टाइमस्टैम्प होता है, जब कुछ संदिग्ध लगे तो आप ठीक उसी मिनट पर वापस जा सकते हैं।

क्रिएटर्स और पॉडकास्टर। अपने पुराने कैटलॉग से ट्रांसक्रिप्ट लाएँ और पूछें कि कौन से एपिसोड किसी विषय का ज़िक्र करते हैं, कौन से हुक बार-बार आते हैं, और किन विचारों पर फ़ॉलो-अप बनना चाहिए। लंबे एपिसोड बिना किसी के एक शब्द दोबारा टाइप किए ब्लॉग ड्राफ़्ट, न्यूज़लेटर सेक्शन और छोटे क्लिप स्क्रिप्ट में बदल जाते हैं।

प्रोडक्ट और मार्केटिंग टीमें। किसी की दोपहर रोके बिना प्रतिस्पर्धियों के वेबिनार और प्रोडक्ट डेमो देखें। ट्रांसक्रिप्ट लाएँ, Claude से नए फ़ीचर, प्राइसिंग बदलाव और पोज़िशनिंग के दावे सूचीबद्ध करने को कहें, और नतीजा एक साझा दस्तावेज़ में डाल दें। सपोर्ट टीमें भी इसी तरह ट्यूटोरियल वीडियो को हेल्प सेंटर ड्राफ़्ट में बदल सकती हैं।

💡 स्रोत का सम्मान करें: ट्रांसक्रिप्ट क्रिएटर्स के होते हैं। उन्हें रिसर्च के लिए उपयोग करें, सारांश बनाएँ और श्रेय दें, और शब्दशः दोबारा प्रकाशित न करें।

कहाँ यह टूटता है और क्या करें

कैप्शन का न होना और ब्लॉक हुए अनुरोध

ज़्यादातर फ़ेल्योर कुछ छोटी वजहों से होते हैं:

लंबे वीडियो और अविश्वसनीय टेक्स्ट

लंबे वीडियो कॉन्टेक्स्ट विंडो पर दबाव डालते हैं। हर 10 मिनट के सेगमेंट का एक सारांश माँगें, फिर अंत में एक मिली-जुली आउटलाइन बनवाएँ। अगर सर्वर टाइमस्टैम्प सेकंड में लौटाए, तो Claude को उन्हें मिनट और सेकंड में बदलने को कहें, ताकि आप सीधे उस जगह पर जा सकें।

ट्रांसक्रिप्ट को अविश्वसनीय इनपुट मानें। किसी वीडियो में AI मॉडल के लिए बोले या लिखे गए निर्देश हो सकते हैं, और ट्रांसक्रिप्ट उन्हें सीधे चैट में पहुँचा देता है। टूल अनुमोदन चालू रखें, और YouTube सेशन को ऐसे टूल्स के साथ न चलाएँ जो फ़ाइलें लिख सकें, ईमेल भेज सकें या प्रोडक्शन सिस्टम छू सकें।

GPT 4o Transcribe का उपयोग कैसे करें

जब कैप्शन न हों या बहुत गड़बड़ हों, तो ऑडियो खुद ट्रांसक्राइब करें। सिर्फ़ वही ऑडियो डाउनलोड करें जिसके उपयोग का अधिकार आपके पास हो: अपने वीडियो, लाइसेंस वाली सामग्री, या ऐसी सामग्री जिसका क्रिएटर अनुमति देता हो। Picasso IA पर GPT 4o Transcribe रिकॉर्डिंग को टेक्स्ट में बदल देता है। यह mp3, mp4, mpeg, mpga, m4a, ogg, wav और webm फ़ाइलें स्वीकार करता है, इसलिए आपको शायद ही पहले कुछ कन्वर्ट करना पड़ता है।

अपलोड करें और भाषा सेट करें

1. Picasso IA पर GPT 4o Transcribe पेज खोलें।
2. audio_file फ़ील्ड में अपनी रिकॉर्डिंग अपलोड करें।
3. language फ़ील्ड में ISO 639 1 कोड भरें, जैसे en, es या fr। भाषा का नाम बताने से सटीकता और गति दोनों बेहतर होती हैं।
4. वैकल्पिक रूप से prompt जोड़ें जिसमें वे स्पेलिंग हों जिनकी आपको ज़रूरत है, जैसे प्रोडक्ट नाम और जार्गन। यह ऑडियो की भाषा से मेल खाना चाहिए।
5. सबसे सटीक आउटपुट के लिए temperature को उसके डिफ़ॉल्ट 0 पर रहने दें।
6. चलाएँ, फिर ट्रांसक्रिप्ट कॉपी करें।

💡 टिप: पहले 30 सेकंड का क्लिप टेस्ट करें। अगर नाम गलत आएँ, तो उन्हें prompt फ़ील्ड में जोड़ें और पूरी रिकॉर्डिंग पर लगाने से पहले क्लिप दोबारा चलाएँ।

GPT 4o Mini Transcribe और Gemini 3 Pro उसी स्पीच-टू-टेक्स्ट श्रेणी में आते हैं, इसलिए आप एक ही क्लिप पर सटीकता की तुलना कर सकते हैं।

ट्रांसक्रिप्ट का सारांश बनाएँ

Picasso IA पर Claude Sonnet 5 खोलें और ट्रांसक्रिप्ट को prompt फ़ील्ड में पेस्ट करें। तीन सेटिंग्स मायने रखती हैं:

• effort: low डिफ़ॉल्ट और सबसे तेज़ है, thinking बंद रहती है। जब ट्रांसक्रिप्ट लंबी हो और सवाल बारीक हो, तो medium या high पर जाएँ।
• max_tokens: डिफ़ॉल्ट 8192 है, जो विस्तृत आउटलाइन के लिए काफ़ी है।
• system_prompt: एक बार भूमिका तय करें, जैसे "आप एक रिसर्च असिस्टेंट हैं जो हमेशा वक्ता को कोट करते हैं और टाइमस्टैम्प जोड़ते हैं।"

एक प्रॉम्प्ट जो अच्छा काम करता है: "इस ट्रांसक्रिप्ट का पाँच बुलेट में सारांश दें, बताई गई हर संख्या सूचीबद्ध करें, और दो सबसे ज़रूरी वाक्य कोट करें।" घंटे भर लंबी रिकॉर्डिंग के लिए टेक्स्ट को 10 मिनट के हिस्सों में बाँटें और नतीजे मिलाएँ, वही तरीका जो YouTube सर्वर के साथ है।

नोट्स को वीडियो क्लिप में बदलें

सारांश मिलने के बाद, आप उसे ऐसी चीज़ में बदल सकते हैं जिसे लोग सच में देखें। Claude Sonnet 5 से तीन सबसे मज़बूत बिंदुओं को एक छोटे सीन विवरण में संक्षिप्त करने को कहें, जिसमें स्पष्ट सब्जेक्ट, कैमरा मूव और लाइटिंग नोट हो। फिर वह विवरण Seedance 2.0 या Veo 3.1 Fast जैसे टेक्स्ट-टू-वीडियो मॉडल में पेस्ट करें। एक छोटी क्लिप किसी पोस्ट या न्यूज़लेटर के लिए ज़बरदस्त हेडर एनिमेशन बनती है, और ऑडियो से वीडियो तक पूरा लूप मिनटों में हो जाता है।

आज ही Picasso IA पर आज़माएँ

अब आपके पास पूरा लूप है। YouTube MCP server Claude को ट्रांसक्रिप्ट और सर्च नतीजे देता है। जब कैप्शन फ़ेल होते हैं, तो स्पीच-टू-टेक्स्ट कमी पूरी करता है। फिर एक लैंग्वेज मॉडल कच्चे टेक्स्ट को नोट्स में बदलता है, और एक वीडियो मॉडल उन नोट्स को क्लिप में।

छोटी शुरुआत करें। एक पाँच मिनट का वीडियो चुनें, उसे Picasso IA पर ट्रांसक्राइब करें, Claude Sonnet 5 से उसका सारांश बनवाएँ, और सबसे अच्छे विचार को टेक्स्ट-टू-वीडियो मॉडल से एनिमेट करें। एक बार में एक सेटिंग बदलें, नतीजों की तुलना करें, और जो प्रॉम्प्ट काम करें उन्हें सहेज लें। Picasso IA खोलें, अपनी पहली ट्रांसक्रिप्शन चलाएँ, और देखें कि आप अपनी अगली रिसर्च का कितना हिस्सा सौंप सकते हैं।