# YouTube-Transkripte und -Untertitel: vom einzelnen Video zum Trainingsdatensatz

Erfahren Sie, wie Sie ein YouTube-Transkript abrufen, Untertitel von Creatorn von automatisch erzeugten und übersetzten Untertiteln unterscheiden und Text für Trainingsdatensätze mit Audio abgleichen.

Kanonische Referenz: https://flashdata.dev/de/docs/guides/youtube-transcripts-and-captions
FlashData · Quellen geprüft am: 2026-11-19

Öffnen Sie die Videobeschreibung und wählen Sie **Transkript anzeigen**. Wenn Untertitel verfügbar sind, können Sie den Text lesen und direkt zu der Stelle springen, an der er gesprochen wurde. Dafür benötigen Sie weder eine API noch einen Download.

<a id="get-text-from-one-video"></a>

## So erhalten Sie ein YouTube-Transkript, ohne das Video herunterzuladen


- [YouTube: Videotranskripte anzeigen](https://support.google.com/youtube/answer/15930243?hl=en)

1. **Passage finden.** Klappen Sie auf der Wiedergabeseite die Beschreibung auf und wählen Sie **Transkript anzeigen**. Wählen Sie eine Zeile aus, um die entsprechende Stelle abzuspielen.
2. **Sprache prüfen.** Das Menü **Untertitel/CC** im Player steuert den Text. Die Option **Audiospur**, sofern vorhanden, steuert, was Sie hören. Ein Wechsel der Audiospur garantiert nicht, dass sich auch das Transkript ändert.
3. **Zitat überprüfen.** Kopieren Sie die Passage, sofern sich der Text markieren lässt, oder notieren Sie Wortlaut und Zeitstempel. Spielen Sie die Stelle erneut ab, um Namen, Zahlen und Wörter wie „nicht“ zu prüfen, die die Bedeutung umkehren können.

- [Untertiteleinstellungen](https://support.google.com/youtube/answer/100078?co=GENIE.Platform%3DAndroid&hl=en)
- [YouTube: Audiospur einstellen](https://support.google.com/youtube/answer/13339776?hl=en)

<a id="save-your-captions"></a>

### Untertitel für ein von Ihnen verwaltetes Video speichern


Wählen Sie in **YouTube Studio → Untertitel** das Video aus und klicken Sie neben der gewünschten Sprache auf **Bearbeiten**. Wählen Sie unter **Optionen** den Eintrag **Untertitel herunterladen**. Bewahren Sie die Datei mit Zeitangaben auf; eine reine Textkopie können Sie später exportieren.

Wenn noch keine Spur vorhanden ist und Sie ein Skript in der gesprochenen Sprache haben, kann Studio das Skript mit dem Audio synchronisieren.

- [Untertitel herunterladen oder bearbeiten](https://support.google.com/youtube/answer/2734705?hl=en)
- [Untertitel hinzufügen oder Skript synchronisieren](https://support.google.com/youtube/answer/2734796?hl=en)

<a id="when-there-is-no-track"></a>

### Wenn keine Untertitelspur vorhanden ist


Beim Abrufen von Untertiteln wird vorhandener Text gelesen. Beim Transkribieren entsteht neuer Text aus Audio. Verwenden Sie für eine Aufnahme, die Ihnen gehört oder die Sie verarbeiten dürfen, ein Spracherkennungstool im Modus **Transkribieren**, um die gesprochene Sprache beizubehalten. Die Übersetzung ist ein eigener Schritt. Wenn weder Untertitel noch ein autorisierter Zugriff auf das Audio vorliegen, bitten Sie den Herausgeber um ein Transkript.

Um beispielsweise Ihr eigenes englisches Interview lokal zu transkribieren, wählen Sie zunächst den richtigen Audiostream aus. Wenn FFmpeg, `whisper-cli` aus der whisper.cpp-Schnellstartanleitung und das englische Modell `base.en` installiert sind, erzeugt der folgende Aufruf sowohl `interview.txt` als auch `interview.srt`:

- [whisper.cpp-Schnellstart](https://github.com/ggml-org/whisper.cpp#quick-start)

**Lokale Aufnahme mit whisper.cpp transkribieren**

```bash
ffmpeg -i interview.mp4 -map 0:a:0 -ac 1 -ar 16000 -c:a pcm_s16le interview.wav
whisper-cli -m models/ggml-base.en.bin -f interview.wav -l en -otxt -osrt -of interview
```

Hier wählt `0:a:0` den **ersten Audiostream** aus, nicht unbedingt die Originalsprache. Hören Sie ihn zuerst an. Wählen Sie bei japanischer Sprache beispielsweise den japanischen Stream aus, verwenden Sie das mehrsprachige Modell `ggml-base.bin` und setzen Sie `-l ja`. Gleichen Sie die Ausgabe mit der Aufnahme ab. Dieser Text wurde durch **Ihren** Transkriptionsprozess erstellt; er ist keine von YouTube bereitgestellte Untertitelspur.

<a id="what-captions-subtitles-and-transcripts-are"></a>

## Untertitel und Transkripte: Begriffe und Unterschiede


Eine **Untertitelspur** besteht aus einer Folge von Einblendungen: jeweils einem Textstück und dem Zeitpunkt, zu dem es erscheinen soll. Zuschaltbare Untertitel lassen sich ein- und ausschalten. Barrierefreie Untertitel geben neben Sprache auch bedeutungsvolle Geräusche wieder: einen Sprecherwechsel, ein Klopfen an der Tür oder einen Alarm, auf den jemand reagiert. Mit **Untertiteln im Sinne von „subtitles“** sind oft übersetzte Dialoge gemeint, in vielen Ländern aber auch Untertitel in der gesprochenen Sprache. Die Menübezeichnung allein verrät weder, wer den Wortlaut verfasst hat, noch ob es sich um eine Übersetzung handelt.

- [W3C: Untertitel](https://www.w3.org/WAI/media/av/captions/)

Ein **Transkript** stellt den Wortlaut zum Lesen dar, mit oder ohne Zeitstempel. Der Transkriptbereich von YouTube ist eine Leseansicht der Untertitel, keine unabhängige zweite Transkription. Eine **Zusammenfassung** ist wiederum etwas anderes: Sie kann Inhalte auslassen oder umformulieren. Wenn eine Person auf ein Diagramm zeigt und „Legen Sie es hierhin“ sagt, kann das Transkript genau das wiedergeben, ohne zu erklären, wohin. Ein beschreibendes Transkript ergänzt die fehlenden visuellen Informationen.

- [W3C: Transkripte](https://www.w3.org/WAI/media/av/transcripts/)

<a id="the-three-types-of-youtube-captions"></a>

## Die drei Arten von YouTube-Untertiteln


Ordnen Sie beim Vergleich von Transkripten die **tatsächlich erhaltene Untertitelspur** ein. Die drei gängigen Quellen sind von Creatorn bereitgestellte Untertitel, die automatische Transkription von YouTube und die automatische Übersetzung von YouTube. Die letzten beiden sind automatisierte Verfahren, aber nur eines davon wertet die gesprochene Sprache aus.

| Untertitelquelle | Wie der Text entstanden ist | Beispiel: ein japanisches Interview |
| --- | --- | --- |
| **Vom Creator bereitgestellt (Uploader)** | Der Kanal liefert oder veröffentlicht den Wortlaut. Er kann eingetippt, hochgeladen oder aus einem automatischen Entwurf überarbeitet worden sein. Er wurde nicht unbedingt von Grund auf neu geschrieben und ist nicht zwingend wortgetreu. | Der Creator veröffentlicht englische Untertitel mit dem Wortlaut „Please wait a moment.“ Das ist eine Übersetzung, ihre Quelle bleibt aber der **Creator**, nicht die automatische Übersetzung von YouTube. |
| **Von YouTube automatisch erzeugt (Spracherkennung, ASR)** | YouTube wandelt **gesprochene Sprache in Text derselben Sprache** um. Dabei kann das Gesagte falsch verstanden werden; es findet keine Übersetzung statt. | Der Gast sagt chotto matte. Die Spur gibt diese Wörter auf Japanisch wieder. |
| **Von YouTube automatisch übersetzt (maschinelle Übersetzung)** | YouTube überträgt **vorhandenen Untertiteltext in eine andere Sprache**. Die Quelle kann vom Uploader stammen oder automatisch erzeugt sein. Dabei wird keine Synchronfassung in der Zielsprache ausgewertet. | YouTube gibt den japanischen Untertitel auf Englisch als „Wait a little.“ wieder. Wurde im japanischen Untertitel ein Name falsch erkannt, kann die Übersetzung diesen Fehler übernehmen. |

- [YouTube Studio: Untertitel bearbeiten](https://support.google.com/youtube/answer/2734705?hl=en)
- [YouTube: Automatische Untertitel](https://support.google.com/youtube/answer/6373554?hl=en)
- [YouTube: Untertitelübersetzung](https://developers.google.com/youtube/data/reference/rest/v3/captions/download)

<a id="why-one-video-can-have-several-english-texts"></a>

### Warum ein Video mehrere englische Texte haben kann


Eine **Synchronfassung ist Audio, keine vierte Untertitelart**. Im selben fiktiven Interview könnte die englische Synchronstimme „Give me a second.“ sagen. Beide oben genannten englischen Untertitel vermitteln den Sinn. Keiner enthält jedoch diese gesprochenen Wörter. Zum Verstehen können Sie beide verwenden; für ein direktes Zitat hören Sie die Synchronfassung an. Bewahren Sie für einen Übersetzungsdatensatz den Ausgangstext und das Übersetzungsverfahren getrennt auf.

Das Originalaudio ist die ursprüngliche Aufnahme; die Standardwiedergabe ist die Auswahl des Players und kann je nach Zuschauereinstellungen abweichen. Ein Wechsel der Untertitelsprache ändert nicht die Audiospur. Gehen Sie nicht davon aus, dass jede Synchronfassung eine passende ASR-Spur hat: YouTube beschreibt automatische Untertitel für Videos mit mehreren Audiospuren als Untertitel in der Standardsprache, nicht als eine Transkription pro Synchronfassung.

- [Bevorzugte Audiosprachen](https://support.google.com/youtube/answer/13339776?hl=en)
- [Automatische YouTube-Untertitel](https://support.google.com/youtube/answer/6373554?hl=en)

<a id="choose-a-format"></a>

## Formate für YouTube-Transkripte: TXT, SRT, VTT und JSON


| Format | Geeignet für | Was zu beachten ist |
| --- | --- | --- |
| Reiner Text (TXT) | Lesen, Notizen oder eine Zusammenfassung | Leicht zu bearbeiten, aber bei der Umwandlung in Fließtext geht die Zuordnung jeder Zeile zur Videostelle verloren, sofern Sie sie nicht separat bewahren. |
| SubRip (SRT) | Übertragen von Untertiteln mit Zeitangaben zwischen Editoren und Playern | Nummerierte Einblendungen mit Anfangs- und Endzeiten. Nützlich, wenn die Wiedergabe wichtiger ist als umfangreiche Formatierung. |
| WebVTT (VTT) | Untertitel für einen Webplayer | Behält die Zeitangaben der Einblendungen bei und kann zusätzliche Informationen wie Positionierung oder Sprecherkennzeichnungen enthalten, sofern der Verfasser sie angegeben hat. |
| JSON oder JSON Lines (JSONL) | Videoübergreifende Suche oder Aufbau von Datensätzen | Sie bestimmen das Schema. Geben Sie an, ob Zeiten in Sekunden oder Millisekunden vorliegen und ob sie sich auf das gesamte Video oder einen exportierten Clip beziehen. |

Hier ist der fiktive Uploader-Untertitel im WebVTT-Format. Seine 1,9 Sekunden beschreiben, **wann die Einblendung angezeigt werden soll**, nicht Anfang und Ende jedes einzelnen Wortes.

- [WebVTT-Format](https://www.w3.org/TR/webvtt1/)
- [Von YouTube unterstützte Untertitelformate](https://support.google.com/youtube/answer/2734698?hl=en)

**Eine WebVTT-Einblendung mit Zeitangaben**

```vtt
WEBVTT

00:01:04.200 --> 00:01:06.100
Please wait a moment.
```

Eine reine Textkopie kann einfach „Please wait a moment.“ lauten. Als durchsuchbare Notiz ist „01:04 · Please wait a moment.“ nützlicher. Wenn Sie einen Clip ab 01:00 ausschneiden, gehört der Untertitel in diesem Clip auf **4,2 bis 6,1 Sekunden**, nicht auf 64,2 bis 66,1. Bewahren Sie den ursprünglichen Zeitbereich auf, damit Sie den Bezug zur Quelle wiederherstellen können.

<a id="build-a-transcript-dataset"></a>

## So erstellen Sie einen Datensatz aus YouTube-Transkripten


Legen Sie fest, was **ein einzelnes Beispiel** belegen soll, bevor Sie Tausende Spuren sammeln. Dieselbe Einblendung kann für einen Datensatz geeignet und für einen anderen ungeeignet sein:

| Ziel des Datensatzes | Geeignete Belege | Was auszuschließen oder getrennt zu kennzeichnen ist |
| --- | --- | --- |
| Suche, Zusammenfassungen oder Beantwortung von Fragen | Eine lesbare Passage, ihre Sprache, eine Video-ID und ein zitierbarer Zeitbereich | Stellen Sie eine übersetzte Passage nicht als wörtliches Zitat der sprechenden Person dar. Bewahren Sie Zusammenfassungen getrennt vom Ausgangstext auf. |
| Spracherkennung oder Wortausrichtung | Ein bestimmter Audioclip zusammen mit den darin tatsächlich hörbaren Wörtern | Verwenden Sie unpassende Synchronfassungen und Paraphrasen nicht als wortgetreue Referenztexte. Trennen Sie ungeprüfte ASR-Ausgaben von durch Menschen geprüften Referenzen. |
| Übersetzung von Sprache oder Text | Identifizierte Ausgangsäußerung bzw. identifizierter Ausgangstext und die zugehörige Übersetzung | Halten Sie menschliche und maschinelle Übersetzungen unterscheidbar, soweit ihre Herkunft bekannt ist. Einblendungen können sich zwischen Sprachen aufteilen oder zusammenfallen; Zeile 12 muss nicht die Übersetzung von Zeile 12 sein. |
| Video-Text- oder multimodales Training | Text, der beschreibt, was in den betreffenden Bildern zu sehen ist | Ein Kommentar kann sich auf etwas außerhalb des Bildes oder auf den nächsten Schritt beziehen. HowTo100M nutzte beispielsweise gesprochene Anleitungen als Trainingssignal, nicht manuell geprüfte Beschreibungen jedes einzelnen Bildes. |

- [HowTo100M](https://www.di.ens.fr/willow/research/howto100m/)

<a id="record-the-audio-and-caption-pair"></a>

### Das Paar aus Audio und Untertiteln dokumentieren


Eine Video-ID reicht nicht aus: Sie sagt weder, welches Audio Sie verwendet haben, noch welche Untertitelversion Sie abgerufen haben oder warum eine prüfende Person ein Paar akzeptiert hat. Hier sehen Sie einen beispielhaften Datensatzeintrag, keine Antwort der YouTube- oder FlashData-API:

**Datensatzmanifest: ein Untertitel und das zugehörige Audio**

```json
{
  "video_id": "EXAMPLE0001",
  "audio_asset": "interview-en-dub.wav",
  "audio_language": "en",
  "caption_language": "en",
  "caption_origin": "uploader",
  "start_s": 64.2,
  "end_s": 66.1,
  "time_base": "source_video",
  "text": "Please wait a moment.",
  "review": "English dub says 'Give me a second.'",
  "use_for_search": true,
  "use_as_verbatim_speech_label": false
}
```

Auf diese letzte Entscheidung kommt es an: Beide Sprachen sind Englisch und die Einblendung ist zeitlich korrekt, dennoch ist der Text **keine** wortgetreue Referenz. Erfassen Sie für eine echte Sammlung außerdem, soweit verfügbar, die Quellen- oder Spurkennung, das Abrufdatum, die Datei- bzw. Versionskennung und die Erlaubnis oder Lizenz für die beabsichtigte Nutzung. Kennzeichnen Sie unbekannte Herkunft als unbekannt, statt sie aus einem Dateinamen abzuleiten.

<a id="check-the-collection"></a>

### Die Sammlung vor der Verwendung prüfen


1. **Abdeckung messen.** Zählen Sie die Videos, für die ein Abruf versucht wurde, die Videos mit einer Spur in der Zielsprache und die Videos, die Ihre Qualitätskriterien erfüllen. Unterscheiden Sie „keine geeigneten Untertitel“ von „Abruf fehlgeschlagen“. Sonst erscheint ein vorübergehender Fehler wie eine schlechte Abdeckung einer Sprache.
2. **Anhören und Stichproben prüfen.** Prüfen Sie Clips aus verschiedenen Sprachen, Untertitelquellen und Kanälen. Kontrollieren Sie, ob Zahlen, Namen, Verneinungen, Sprecherwechsel und Einblendungsgrenzen zur tatsächlichen Aufnahme passen. Wenn es auf wortgetreue Wiedergabe ankommt, vergleichen Sie eine Stichprobe mit unabhängig transkribiertem Referenztext. Die Wortfehlerrate zählt Ersetzungen, Auslassungen und Einfügungen pro Referenzwort; sie ist kein Maß für Übersetzungsqualität oder zeitliche Genauigkeit.
3. **Quelle und Zeitbasis bewahren.** Bewahren Sie die Spur mit Zeitangaben neben dem bereinigten Text auf, sofern dies zulässig ist. Vereinheitlichen Sie Zeilenumbrüche für die Suche, entfernen Sie aber wiederholte Formulierungen nicht unbesehen: „nein, nein“ kann tatsächlich so gesprochen worden sein. Prüfen Sie die Einblendungen anhand der Cliplänge und berücksichtigen Sie einen möglichen Zeitversatz durch den Zuschnitt.
4. **Nach Aufnahme aufteilen, nicht nach Untertitelzeile.** Ordnen Sie Clips, Synchronfassungen und Übersetzungen derselben Aufnahme derselben Trainings- oder Testmenge zu. Andernfalls kann ein Modell dasselbe Interview sowohl im Training als auch bei der Auswertung sehen. Nehmen Sie ungeprüfte Paare nicht in einen Evaluationsdatensatz auf, der die Genauigkeit der wortgetreuen Wiedergabe messen soll.
5. **Rechte vor dem Sammeln oder Veröffentlichen prüfen.** Öffentlich einsehbar bedeutet nicht, dass Weiterverbreitung oder Training erlaubt sind. Dokumentieren Sie, was Ihre beabsichtigte Nutzung gestattet, prüfen Sie auf personenbezogene Informationen und planen Sie Korrekturen oder Entfernungen ein. Treffen Sie diese Entscheidung unabhängig von der technischen Qualität.

- [Wortfehlerrate](https://www.nist.gov/system/files/documents/2021/08/03/OpenASR20_EvalPlan_v1_5.pdf)
- [YouTube-Lizenztypen](https://support.google.com/youtube/answer/2797468?hl=en)
- [YouTube-Nutzungsbedingungen](https://www.youtube.com/static?template=terms)

<a id="retrieve-existing-tracks-with-flashdata"></a>

## Vorhandene Spuren mit FlashData abrufen


Verwenden Sie diesen Weg, wenn Sie Video-IDs haben und **vorhandene** Untertitel als Text und Segmente mit Zeitangaben abrufen möchten. Er erzeugt keine Transkription für ein Video ohne Untertitel. YouTube Transcript und YouTube Captions verwenden dieselben Regeln zur Spurauswahl. Ihre Standardwerte unterscheiden sich: `youtube_transcript` erlaubt automatische Quellen (`auto: true`); `youtube_captions` ist standardmäßig auf Uploader-Untertitel beschränkt (`auto: false`). Beide wählen **Englisch**, wenn `language` weggelassen wird.

- [YouTube Transcript API](https://flashdata.dev/de/docs/sources/youtube_transcript/reference.md)
- [YouTube Captions API](https://flashdata.dev/de/docs/sources/youtube_captions/reference.md)

Hier ist ein Python-Beispiel für ein einzelnes Video mit `requests`. Ersetzen Sie den Platzhalterschlüssel und verwenden Sie eine Video-ID, deren Verarbeitung Ihnen erlaubt ist. Die Verfügbarkeit hängt vom Video ab:

**Vorhandenes Transkript mit Python abrufen**

```python
import requests

response = requests.post(
    "https://data.flashdata.dev/v1/queries/realtime",
    headers={"X-API-Key": "your-api-key"},
    json={
        "source": "youtube_transcript",
        "video_id": "jNQXAC9IVRw",
        "params": {"language": "en", "auto": True},
    },
    timeout=(5, 90),
)
response.raise_for_status()
track = response.json()["results"][0]
print(track["languageCode"], track["captionSource"])
print(track["fullText"])
for cue in track["segments"]:
    print(f"{cue['start']:.3f} to {cue['end']:.3f} s: {cue['text']}")
```

<a id="caption-language-and-source"></a>

### Sprache und Untertitelquelle wählen


Ein Sprachcode wie `"en"` fordert Englisch an, unabhängig vom Audio. Um stattdessen einer Audiospur zu folgen, verwenden Sie `"original"` für die als Original markierte Sprache oder `"default"` für die für den Worker markierte Wiedergabesprache, nicht für Ihre Browsereinstellung. FlashData ermittelt beide anhand der Audioinformationen aus demselben Extraktionsvorgang.

Ein expliziter Spurcode funktioniert anders: `"en-orig"` mit `auto: true` fordert genau diese automatische Spur an, ohne auf andere Spuren auszuweichen. Das Suffix `-orig` ist eine Namenskonvention von yt-dlp, kein Beleg dafür, dass das Originalaudio Englisch war.

- [yt-dlp: YouTube-Spurnamen](https://github.com/yt-dlp/yt-dlp/blob/master/yt_dlp/extractor/youtube/_video.py)

Bei einem gewöhnlichen Sprachcode, `"default"` oder `"original"` versucht `auto: true` die Untertitelquellen in dieser Reihenfolge, jeweils in der Zielsprache:

1. **Spracherkennung in derselben Sprache** (`youtube_asr`): YouTube hat die gesprochene Sprache transkribiert.
2. **Uploader-Untertitel** (`uploader`): Der Kanal hat den Text bereitgestellt.
3. **Nicht klassifizierte automatische Untertitel** (`youtube_auto_unknown`): Die vorliegenden Informationen erlauben keine Unterscheidung zwischen ASR und Übersetzung. Das ist eine Unsicherheit über die Quelle, keine vierte Art der Untertitelerstellung.
4. **Maschinelle Übersetzung von YouTube** (`youtube_translated`): YouTube hat eine andere Untertitelspur übersetzt.

Mit `auto: false` kommen nur Uploader-Untertitel infrage. Nehmen wir im Interviewbeispiel an, dass Englisch als Wiedergabesprache markiert ist. Es gibt englische Uploader-Untertitel und eine YouTube-Übersetzung, aber keine englische ASR-Spur. Eine Anfrage für `"default"` mit `auto: true` liefert `captionSource: "uploader"` und `isAutoGenerated: false`.

<a id="request-more-than-one-caption-language"></a>

### Mehrere Sprachen anfordern


Senden Sie für dasselbe Video ein Array wie `["original", "en", "es"]`. Damit werden 1 bis 10 unterschiedliche Selektoren jeweils mit derselben `auto`-Regel angefordert, nicht nur die erste verfügbare Sprache. Selbst ein Array mit nur einem Eintrag liefert `results[0].tracks` und `results[0].errors` statt einer einzelnen Spur.

Erfolgreich abgerufene Spuren bleiben in der Reihenfolge der Anfrage. Ordnen Sie eine Spur anhand von `requestedLanguageCode` zu, sofern vorhanden, andernfalls anhand von `languageCode`. Fehler benennen den fehlgeschlagenen Selektor über `languageCode`. Bewahren Sie erfolgreiche Ergebnisse auf, wenn eine andere Sprache fehlschlägt. Wenn keine Sprache erfolgreich ist, behandeln Sie den Fehler auf Anfrageebene.

<a id="missing-or-failed-captions"></a>

### Fehlende Spuren von fehlgeschlagenen Abrufen unterscheiden


Eine unbestätigte Originalsprache (`youtube_original_language_unknown`) ist etwas anderes als eine bekannte Originalsprache ohne geeignete Untertitel (`youtube_original_subtitles_unavailable`). Für die Standardwiedergabe lauten die entsprechenden Fehler `youtube_default_language_unknown` und `youtube_default_subtitles_unavailable`.

Wenn YouTube beim Bereitstellen übersetzter Untertitel HTTP 429 zurückgibt und keine angeforderte Spur erfolgreich abgerufen wird, kann die Realtime-API von FlashData **HTTP 502** mit `youtube_subtitle_retrieval_failed` melden. Bei teilweisem Erfolg kann der fehlgeschlagene Selektor stattdessen `errors[].code: "retrieval_failed"` erhalten. Ein 502 allein belegt keinen HTTP-429-Fehler bei YouTube. Ein 429 vom eigenen Anfragelimiter von FlashData ist von einem 429 bei YouTube zu unterscheiden.

- [HTTP 429 bei übersetzten Untertiteln](https://flashdata.dev/de/docs/guides/youtube-transcripts-and-captions/reference.md#why-does-yt-dlp-report-http-429-for-youtube-auto-translated-captions)

Die YouTube Download API wählt Audio separat über `audio_language` aus und kann auf eine andere Spur ausweichen; wenn Sie bei beiden APIs `"original"` anfordern, belegt das keine Übereinstimmung von Audio und Text. Das Rezept für Untertitel mit Zeitstempeln zeigt, wie Sie Ergebnisse speichern. Der Leitfaden für Bulk-Dateien beschreibt die Verarbeitung einer Liste von Video-IDs.

- [YouTube Download API](https://flashdata.dev/de/docs/sources/youtube_download/reference.md)
- [Rezept für Untertitel mit Zeitstempeln](https://flashdata.dev/de/docs/guides/timestamped-captions-recipe/reference.md)
- [Leitfaden für Bulk-Dateien](https://flashdata.dev/de/docs/guides/bulk/reference.md)

<a id="youtube-transcript-faq"></a>

## Häufige Fragen zu YouTube-Transkripten


<a id="can-i-get-a-youtube-transcript-for-free-without-downloading-the-video"></a>

### Kann ich ein YouTube-Transkript kostenlos erhalten, ohne das Video herunterzuladen?


Ja. Wenn Untertitel vorhanden sind, können Sie mit der YouTube-Funktion **Transkript anzeigen** den Text auf der Wiedergabeseite lesen, ohne ein Tool zu kaufen oder Medien herunterzuladen. Für einen einzelnen Vortrag oder ein Interview ist das der erste Anlaufpunkt.

- [Videotranskripte anzeigen](https://support.google.com/youtube/answer/15930243?hl=en)

<a id="why-is-there-no-transcript-when-i-can-see-subtitles-in-the-picture"></a>

### Warum gibt es kein Transkript, obwohl im Bild Untertitel zu sehen sind?


Schalten Sie die zuschaltbaren Untertitel aus. Bleiben die Wörter sichtbar, sind sie möglicherweise fest eingebrannt: Teil des Bildes statt einer auswählbaren Textspur. Es kann auch sein, dass für ein Video keine Untertitel veröffentlicht wurden oder automatische Untertitel noch verarbeitet werden. Transkribieren Sie bei Material, das Sie verarbeiten dürfen, das Audio, wenn Sie wissen möchten, was **gesagt** wurde. Benötigen Sie den genauen Wortlaut des **im Bild eingeblendeten Textes**, verwenden Sie optische Zeichenerkennung (OCR) und überprüfen Sie das Ergebnis. Beides kann voneinander abweichen.

<a id="can-i-get-english-text-if-the-audio-is-in-another-language"></a>

### Kann ich englischen Text erhalten, wenn das Audio in einer anderen Sprache ist?


Oft, aber nicht immer. Suchen Sie zuerst nach englischen Untertiteln. Wenn keine aufgeführt sind, prüfen Sie, ob der Player **Automatisch übersetzen** anbietet. Diese Funktion übersetzt vorhandene Untertitel. Sie erzeugt kein englisches Audio und belegt nicht, dass in der englischen Synchronfassung dieselben Wörter verwendet wurden.

- [YouTube-Untertitelsprachen](https://support.google.com/youtube/answer/100078?co=GENIE.Platform%3DAndroid&hl=en)

<a id="does-auto-generated-mean-machine-translated"></a>

### Bedeutet „automatisch erzeugt“ dasselbe wie „maschinell übersetzt“?


Nein. Spracherkennung wandelt gesprochene Sprache in Schrift in **derselben Sprache** um. Maschinelle Übersetzung überträgt Text von einer Sprache in eine andere. Beide Verfahren können automatisch ablaufen, und eine Übersetzung kann auf fehlerhafter Spracherkennung beruhen. Ist die Herkunft nicht angegeben, kennzeichnen Sie sie als unbekannt.

<a id="why-does-yt-dlp-report-http-429-for-youtube-auto-translated-captions"></a>

### Warum meldet yt-dlp HTTP 429 bei automatisch übersetzten YouTube-Untertiteln?


Bei einem Video kann eine Übersetzung aufgeführt sein, obwohl YouTube die Anfrage nach ihrem Text mit **HTTP 429 (Too Many Requests)** ablehnt. Im yt-dlp-Issue #13831 benennt die angeheftete Erklärung des Maintainers **die automatisch übersetzten Untertitel von YouTube** als betroffenen Fall. Uploader-Spuren und ASR in der Originalsprache waren von **diesem konkreten Problem** nicht betroffen. Das bedeutet nicht, dass alle Übersetzungen fehlschlagen oder andere Untertitelanfragen niemals einer Ratenbegrenzung unterliegen können.

- [yt-dlp-Issue #13831: angeheftete Erklärung des Maintainers](https://github.com/yt-dlp/yt-dlp/issues/13831#issuecomment-3712613129)

Wenn Sie nur lesbaren Text benötigen, prüfen Sie, ob eine vorhandene Uploader- oder direkt aus Sprache erzeugte ASR-Spur **in Ihrer Zielsprache** verfügbar ist. Wenn Sie ausdrücklich die YouTube-Übersetzung benötigen, bewahren Sie erfolgreich abgerufene Spuren auf und verschieben Sie nur die fehlgeschlagene Übersetzung auf später. Beachten Sie `Retry-After`, wenn die Antwort es enthält. Verlängern Sie andernfalls die Wartezeiten, begrenzen Sie Wiederholungsversuche und wiederholen Sie nicht die gesamte Sammlung auf einmal. Erfassen Sie das Ergebnis als **Abruf fehlgeschlagen**, nicht als **keine Untertitel**. Eine erfolgreich abgerufene japanische Spur erfüllt keine Anfrage nach Englisch.

- [HTTP 429 und Retry-After](https://datatracker.ietf.org/doc/html/rfc6585#section-4)

<a id="how-do-i-get-just-the-text-without-timestamps"></a>

### Wie erhalte ich nur den Text ohne Zeitstempel?


Exportieren Sie eine reine Textversion einer Untertiteldatei oder fügen Sie die Texte ihrer Einblendungen der Reihe nach zusammen. Bewahren Sie das Original mit Zeitangaben auf, wenn Sie später möglicherweise eine Zeile zitieren, Clips erstellen oder einen Fehler korrigieren möchten. Zeitstempel zu entfernen ist einfach; aus einem Absatz wieder genaue Zeitangaben zu gewinnen, ist eine eigene Ausrichtungsaufgabe.

<a id="are-transcripts-available-for-youtube-shorts-and-livestreams"></a>

### Gibt es Transkripte für YouTube Shorts und Livestreams?


YouTube unterstützt automatische Untertitel sowohl für geeignete Shorts als auch für längere Videos, ihre Verfügbarkeit ist aber nicht garantiert. Live-Untertitel und die Untertitel der archivierten Version sind nicht unbedingt identisch: Laut YouTube werden für die Version auf Abruf neue automatische Untertitel erzeugt. Dokumentieren Sie für einen reproduzierbaren Datensatz, welche Version Sie wann verwendet haben.

- [Automatische YouTube-Untertitel](https://support.google.com/youtube/answer/6373554?hl=en)

<a id="does-the-official-youtube-data-api-return-transcripts-for-any-public-video"></a>

### Liefert die offizielle YouTube Data API Transkripte für jedes öffentliche Video?


Nein. Googles per OAuth autorisiertes `captions.list` liefert Metadaten zur Spur, nicht den eigentlichen Wortlaut. `captions.download` ruft die Spur ab und setzt die Berechtigung voraus, das Video zu bearbeiten. Ein Transkript als Zuschauer lesen zu können, ist nicht dasselbe wie diese API-Berechtigung zu besitzen.

- [captions.list](https://developers.google.com/youtube/data/reference/rest/v3/captions/list)
- [captions.download](https://developers.google.com/youtube/data/reference/rest/v3/captions/download)

<a id="are-speaker-names-and-word-by-word-timestamps-included"></a>

### Sind Sprechernamen und wortweise Zeitstempel enthalten?


Nicht zuverlässig. Eine Einblendung kann eine ganze Wortgruppe umfassen, und eine Spur kann einen Sprecher kennzeichnen, ein Geräusch angeben oder beides weglassen. Wenn Sie wissen müssen, wer wann gesprochen hat, annotieren Sie die Aufnahme oder führen Sie eine Sprecherdiarisierung durch und überprüfen Sie das Ergebnis. Wenn Sie die Zeitpunkte einzelner Wörter benötigen, richten Sie die Wörter an der tatsächlichen Aufnahme aus. Teilen Sie die Dauer einer Einblendung nicht gleichmäßig auf ihre Wörter auf.

<a id="are-youtube-transcripts-accurate-enough-to-quote"></a>

### Sind YouTube-Transkripte genau genug zum Zitieren?


Verwenden Sie das Transkript, um die Stelle zu finden, und die Aufnahme, um das Zitat zu prüfen. Wenn eine japanisch sprechende Person auf Englisch zitiert wird, geben Sie an, ob die Wörter Ihre eigene Übersetzung, der Untertitel des Uploaders oder die Synchronfassung sind. Ein flüssiger Satz ist kein Beleg dafür, dass eine bestimmte Person genau diese Wörter verwendet hat.

<a id="can-public-youtube-transcripts-be-used-to-train-a-model-or-shared-as-a-dataset"></a>

### Dürfen öffentliche YouTube-Transkripte zum Modelltraining verwendet oder als Datensatz geteilt werden?


Öffentlicher Zugriff allein erlaubt keine dieser Nutzungen. Klären Sie, welche Erlaubnis das Sammeln, das Training und eine mögliche Weiterverbreitung von Text oder Medien abdeckt; das sind getrennte Entscheidungen. Entscheiden Sie anschließend, ob die Referenztexte zur Aufgabe passen: Auch eine erlaubte englische Übersetzung kann die falsche Referenz für englische Spracherkennung sein. Der YouTube-Lizenzleitfaden erklärt den Unterschied zwischen der Standardlizenz und Creative Commons Namensnennung.

- [YouTube-Lizenzleitfaden](https://support.google.com/youtube/answer/2797468?hl=en)

<a id="why-is-a-transcript-different-when-i-fetch-it-again"></a>

### Warum unterscheidet sich ein Transkript bei einem erneuten Abruf?


Prüfen Sie das Video, die Audio- und Untertitelsprache sowie die Quelle der Spur. Möglicherweise vergleichen Sie zwei verschiedene Spuren. Selbst dasselbe Video kann sich ändern: Ein Creator kann Text oder Zeitangaben bearbeiten und eine überarbeitete Untertitelspur veröffentlichen. Bewahren Sie, soweit zulässig, ein Abrufdatum und eine Version oder einen Inhaltshash auf, damit Sie eine Bearbeitung von einer Änderung Ihrer Auswahlregeln unterscheiden können.

- [YouTube: Untertitel bearbeiten oder entfernen](https://support.google.com/youtube/answer/2734705?hl=en)
