야프스냅, GPU 없이 유튜브·틱톡 영상을 로컬에서 텍스트로 뽑아주는 도구

• 야프스냅(yapsnap)은 영상 URL이나 오디오 파일을 그냥 텍스트 파일로 뽑아주는 명령줄 도구임

  • GPU 필요 없음
  • 클라우드 API 필요 없음
  • 실행하면 현재 작업 디렉터리 아래 ./transcripts/에 UTF-8 텍스트 파일을 만들어줌

• 지원 범위가 꽤 실용적으로 잡혀 있음

  • 유튜브, 유튜브 쇼츠, 엑스, 틱톡, 인스타그램 릴스, 직접 미디어 링크를 처리함
  • 로컬 파일도 가능하고, ffmpeg가 디코딩할 수 있는 mp3, mp4, m4a, wav, webm, mov, mkv, aac, opus, ogg, flac 계열을 받음
  • URL 다운로드는 yt-dlp가 맡고, 오디오 디코딩은 ffmpeg가 맡음

• 첫 실행 때 약 80MB 모델을 한 번만 내려받고, 이후에는 오프라인으로 돈다

  • macOS는 ~/Library/Caches/yapsnap/에 캐시됨
  • 리눅스는 $XDG_CACHE_HOME/yapsnap/ 또는 ~/.cache/yapsnap/을 씀
  • 윈도우는 %LOCALAPPDATA%\yapsnap\에 저장됨
  • 오디오는 외부로 전송되지 않고, 실행 사이에 남는 상태도 캐시된 모델뿐이라고 설명함

• 기본 모델은 Kroko English이고, CPU에서 빠르게 돌도록 잡혀 있음

  • 스트리밍 Zipformer2 트랜스듀서 기반의 INT8 오닉스 모델이고 크기는 약 80MB임
  • 기본값으로 --speed 1.5를 써서 전사 전에 오디오를 빠르게 만들며, 작성자는 이 설정이 정확도 손실을 크게 만들지 않으면서 시간을 약 3분의 1 줄인다고 설명함
  • 더 빠르게 원하면 --speed 2.0, 잡음이 많거나 말이 빠르면 --speed 1.0을 권장함

• 타임스탬프도 선택적으로 붙일 수 있음

  • 기본 출력은 인식된 텍스트를 한 문단으로 내보냄
  • --timestamps를 켜면 [MM:SS] 형식으로 문장 단위 타임스탬프를 붙임
  • 빠른 속도로 전사해도 타임스탬프는 원본 오디오 시간 기준으로 다시 맞춰짐
  • 다만 자막 제작용 초정밀 정렬이 아니라, 탐색용으로 충분한 수준이라고 못 박음

• 설치와 의존성은 꽤 작게 유지하려는 쪽임

  • 파이썬 모듈 하나와 의존성 세 개가 전부라고 설명함
  • 주요 의존성은 sherpa-onnx, numpy, yt-dlp임
  • 설치하면 yapsnap과 별칭인 transcribe 명령이 같이 생김
  • ffmpeg는 운영체제별 패키지 매니저로 따로 설치해야 함

• 영어 외 언어는 모델을 갈아끼우는 방식임

  • 프랑스어, 독일어, 스페인어, 이탈리아어, 포르투갈어, 네덜란드어, 스웨덴어, 스위스 독일어, 히브리어, 튀르키예어 모델을 언급함
  • 각 모델은 단일 언어용이라 여러 언어를 오가려면 폴더를 나눠 두고 --model이나 KROKO_MODEL로 바꿔야 함
  • 표준 encoder, decoder, joiner, tokens.txt 구조를 가진 sherpa-onnx 스트리밍 트랜스듀서면 Kroko 말고도 쓸 수 있음

---

기술 맥락

• 야프스냅의 선택이 흥미로운 건 거대한 음성 인식 서비스를 새로 만든 게 아니라, 이미 검증된 작은 도구들을 이어 붙였다는 점이에요. URL 처리는 yt-dlp, 디코딩은 ffmpeg, 추론은 sherpa-onnx가 맡기 때문에 각 레이어가 해야 할 일이 분명해요.

• CPU 전용을 고집한 이유는 배포와 반복 사용성이 좋아지기 때문이에요. CUDA나 특정 칩 전용 최적화에 기대면 성능은 더 나올 수 있어도, 평범한 노트북이나 서버에서 바로 쓰기 어려워지거든요.

• INT8 오닉스 모델을 쓰는 것도 같은 맥락이에요. 약 80MB 모델이면 첫 실행 부담이 작고, 캐시에 넣어둔 뒤 오프라인으로 계속 돌릴 수 있어요. 전사 API 비용이나 쿼터를 신경 쓰지 않아도 되는 게 장점이에요.

• --speed로 오디오를 먼저 빠르게 만드는 방식은 꽤 현실적인 타협이에요. 완벽한 정확도가 필요한 녹취록이 아니라 내용을 훑기 위한 텍스트라면, 약간의 정확도 손실보다 처리 시간이 더 중요할 때가 많거든요.