Как извлечь текст из видео — вопрос с тремя разными ответами, и правильный зависит от того, откуда этот текст брать. Слова говорящего есть только в звуковой дорожке. Субтитры к чужому ролику уже лежат на площадке готовым текстом. Надписи на слайде — часть картинки, и звука за ними нет вовсе. Инструменты для этих случаев не совпадают, поэтому первым делом стоит понять, за каким текстом вы пришли. Самый частый случай. Человек говорит, на экране при этом ничего не написано, а нужны его слова. Программа слушает дорожку и печатает то, что услышала...

Бывало такое: посмотрел часовую лекцию или вебинар, а законспектировать некогда? Или нужно вытащить текст из видео, голосового сообщения, подкаста — а перепечатывать вручную долго? Раньше я тратил на это часы. Сейчас делаю за минуту. Расскажу как. Час аудио вручную расшифровывается 3-4 часа. Это адски долго. Сервисы-транскрибаторы есть, но большинство платные, на английском или с лимитом в пару минут...