Загружаете в юутуб. Далее в настройках видео копируете титры (как-то так называется). Потом это текст правите, включая звук. Там без знаков препинания, заглавных букв, сплошным текстом, и будут попадаться слова не понятные. То есть нужно параллельно слушать и править, что бы понимать, где какое слово. Но в целом большая часть текста с титров понятна. В любом случае это быстрее, чем все вручную печатать.