Fragen an ein Video stellen. Antworten mit Zeitstempel bekommen.Ask a video a question. Get the answer with a timestamp.

YouTube-Link einfügen, Frage tippen oder sprechen. Whisper schreibt das Video mit, ChromaDB findet die passenden Stellen, ein LangChain-Agent antwortet in der Sprache der Frage und verlinkt die Stelle im Video. Jede Einstellung ist mit einer eigenen Messreihe begründet, und unten steht ein echter Testlauf mit jeder einzelnen Antwort.

Paste a YouTube link, type or speak a question. Whisper transcribes the video, ChromaDB finds the matching passages, a LangChain agent answers in the language of the question and links the moment in the video. Every setting is backed by a benchmark of its own, and below is a real run with every single answer.

Testlauf ansehenSee the live run In Colab startenOpen in Colab QuelltextSource code

Chat-Oberfläche des Analyzers mit Antwort, Kostenanzeige und den drei passendsten Videostellen mit Zeitstempel

Gradio-Oberfläche: Antwort, Kosten der Anfrage und die drei passendsten Stellen mit Zeitstempel.Gradio interface: answer, cost of the request and the three best-matching passages with timestamps.

Echter TestlaufLive run

37 Fragen an 4 Videos, jede Antwort nachlesbar37 questions to 4 videos, every answer on record

Der Lauf treibt das ausgelieferte Notebook von vorne bis hinten: Abschrift mit Whisper, Zerlegen, Einbetten, Agent mit Gedächtnis. Je Video stellt das Notebook acht Fragen aus den YouTube-Untertiteln, dazu kommen Fragen auf Deutsch an englische Videos, eine englische Frage an ein deutsches Video und eine Frage, deren Antwort im Video gar nicht vorkommt. Ein zweiter Modellaufruf prüft jede Antwort gegen die Untertitel.

The run drives the shipped notebook end to end: Whisper transcription, chunking, embedding, agent with memory. For each video the notebook generates eight questions from the YouTube captions; on top come German questions to English videos, an English question to a German video, and one question whose answer is not in the video at all. A second model call checks every answer against the captions.

…

Sieben MessreihenSeven benchmarks

Jede Einstellung ist gemessen, nicht geratenEvery setting is measured, not guessed

Aus dem Abschlussprojekt des Ironhack-Bootcamps (April 2026): drei Videos von 5, 17 und 42 Minuten, sechs Whisper-Varianten, fünf Bitraten, drei Einbettungsmodelle, fünf Sprachmodelle, 294 Zerlegungen und 90 Kombinationen. Die grün hinterlegten Zeilen sind die Werte, mit denen der Analyzer heute läuft.

From the final project of the Ironhack bootcamp (April 2026): three videos of 5, 17 and 42 minutes, six Whisper variants, five bitrates, three embedding models, five language models, 294 chunkings and 90 combinations. Rows in green are the values the analyzer runs with today.

…

AufbauHow it works

Vom Link zur belegten AntwortFrom link to sourced answer

Audio holenFetch audioyt-dlp lädt die Tonspur mit 64 kbit/s. Darunter bricht die Erkennung ein (Messreihe 2).yt-dlp fetches the audio at 64 kbit/s. Below that, recognition collapses (benchmark 2).

MitschreibenTranscribeWhisper über die Schnittstelle oder lokal, mit Zeitstempel je Satz.Whisper via API or locally, with a timestamp per segment.

ZerlegenChunkStückgröße hängt von der Videolänge ab, gemessen in 294 Varianten.Chunk size depends on video length, measured in 294 variants.

AblegenStoretext-embedding-3-small in ChromaDB, jedes Stück mit Video und Zeitspanne.text-embedding-3-small in ChromaDB, every chunk with video and time span.

AntwortenAnswerLangGraph-Agent mit sieben Werkzeugen und Gedächtnis, Antwort in der Sprache der Frage.LangGraph agent with seven tools and memory, answering in the language of the question.

GrenzenLimits

Was die Zahlen nicht zeigenWhat the figures do not show

Der Prüfer ist kein Mensch. gpt-4o-mini vergleicht jede Antwort mit den Untertiteln, dasselbe Modell, das auch antwortet. Volle Punktzahl heißt: durch die Untertitel gedeckt, nicht: von Hand nachgeprüft. Die Antworten stehen deshalb vollständig oben.
The judge is not a person. gpt-4o-mini compares every answer with the captions, the same model that answers. Full marks mean covered by the captions, not checked by hand. That is why every answer is printed in full above.
Die Fragen sind erzeugt. Acht je Video stammen vom Notebook selbst aus den ersten Minuten der Untertitel. Die Zusatzfragen sind von Hand gestellt, darunter eine ohne Antwort im Video.
The questions are generated. Eight per video come from the notebook itself, drawn from the first minutes of the captions. The extra questions were written by hand, one of them without an answer in the video.
YouTube sperrt Cloud-Server. Für das deutsche Video wurde die Tonspur vorab mit yt-dlp über einen Heimanschluss geholt; genau diesen Ausweg nennt das Notebook in seiner Fehlermeldung. Die drei englischen Tonspuren liegen im Repository.
YouTube blocks cloud servers. For the German video the audio was fetched beforehand with yt-dlp over a home connection, the workaround the notebook names in its own error message. The three English audio files ship with the repository.
Fehlerquote nur beim deutschen Video belastbar. Dort wurden die automatischen Untertitel frisch abgerufen. Für die englischen Videos liegen Untertitel im Zwischenspeicher, die fast wortgleich mit Whisper sind; ihre Fehlerquote ist kein unabhängiger Vergleich.
Word error rate is only robust for the German video. Its automatic captions were fetched fresh. The English videos use cached captions that are almost identical to Whisper; their error rate is not an independent comparison.