Saltar al contenido
ES
Obtener clave API
Explorar documentación

Guías

Transcripciones y subtítulos de YouTube: de un vídeo a un conjunto de datos de entrenamiento

Abre la descripción del vídeo y elige Mostrar transcripción. Si hay subtítulos disponibles, puedes leer las palabras y saltar al momento en que se pronunciaron. No necesitas ninguna API ni descargar nada.

En esta página

Cómo obtener una transcripción de YouTube sin descargar el vídeo

  1. Encuentra el pasaje. En la página de reproducción, expande la descripción y selecciona Mostrar transcripción. Selecciona una línea para reproducir ese momento.
  2. Comprueba el idioma. El menú Subtítulos/CC del reproductor controla el texto. La opción Pista de audio, cuando aparece, controla lo que oyes. Cambiar el audio no garantiza que la transcripción cambie también.
  3. Verifica una cita. Copia el pasaje si se puede seleccionar el texto, o anota las palabras y la marca de tiempo. Vuelve a escuchar la frase para comprobar los nombres, los números y las palabras como «no» que pueden invertir el sentido.
Fuentes

Guardar los subtítulos de un vídeo que gestionas

En YouTube Studio → Subtítulos, elige el vídeo y selecciona Editar junto al idioma que quieras. En Opciones, elige Descargar subtítulos. Conserva el archivo con marcas de tiempo; más adelante podrás exportar una copia en texto sin formato.

Si todavía no hay una pista y tienes un guion en el idioma hablado, Studio puede sincronizarlo con el audio.

Fuentes

Cuando no hay una pista de subtítulos

Recuperar subtítulos consiste en leer texto existente. Transcribir crea texto nuevo a partir del audio. Para una grabación que te pertenezca o que tengas permiso para procesar, utiliza una herramienta de voz a texto en modo transcripción para conservar el idioma hablado. La traducción es un paso aparte. Si no hay subtítulos ni acceso autorizado al audio, pide una transcripción a quien publicó el vídeo.

Por ejemplo, para transcribir localmente una entrevista tuya en inglés, selecciona primero el flujo de audio correcto. Con FFmpeg, whisper-cli de la guía de inicio rápido de whisper.cpp y su modelo en inglés base.en instalados, lo siguiente genera tanto interview.txt como interview.srt:

Transcribir una grabación local con whisper.cpp
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

Aquí, 0:a:0 selecciona el primer flujo de audio, que no tiene por qué estar en el idioma original. Escúchalo primero. Para voz en japonés, por ejemplo, selecciona el flujo en japonés, utiliza el modelo multilingüe ggml-base.bin y establece -l ja. Revisa el resultado comparándolo con la grabación. Este texto lo ha creado tu proceso de transcripción; no es una pista de subtítulos proporcionada por YouTube.

Fuente

Qué son los subtítulos accesibles, los subtítulos y las transcripciones

Una pista de subtítulos es una secuencia de segmentos: un fragmento de texto y el momento en que debe aparecer. Los subtítulos opcionales se pueden activar y desactivar. Los subtítulos accesibles transmiten los sonidos relevantes además del habla: un cambio de hablante, un golpe en la puerta o una alarma a la que alguien reacciona. Subtítulos suele referirse a diálogos traducidos, pero en muchos países también designa los subtítulos en el mismo idioma. La etiqueta del menú por sí sola no indica quién escribió las palabras ni si son una traducción.

Una transcripción presenta las palabras para su lectura, con o sin marcas de tiempo. El panel de transcripción de YouTube es una vista de lectura de los subtítulos, no una segunda transcripción independiente. Un resumen es algo distinto: puede omitir cosas o parafrasear. Si una persona dice «ponlo aquí» mientras señala un diagrama, la transcripción puede recoger exactamente eso sin explicar dónde. Una transcripción descriptiva añade la información visual que falta.

Fuentes

Los tres tipos de subtítulos de YouTube

Al comparar transcripciones, clasifica la pista de subtítulos que realmente has recibido. Las tres fuentes habituales son los subtítulos proporcionados por el creador, la transcripción automática de YouTube y la traducción automática de YouTube. Las dos últimas usan automatización, pero solo una escucha el habla.

Fuente de los subtítulosCómo se creó el textoEjemplo: una entrevista en japonés
Proporcionados por el creador (uploader)El canal proporciona o publica el texto. Puede escribirlo, subirlo o editar un borrador automático. No tiene por qué estar escrito desde cero ni reproducir las palabras literalmente.El creador publica subtítulos en inglés que dicen «Please wait a moment.». Es una traducción, pero su fuente sigue siendo el creador, no la traducción automática de YouTube.
Generados automáticamente por YouTube (reconocimiento de voz, o ASR)YouTube convierte el habla en texto en el mismo idioma. Puede interpretar mal lo que dice la persona; no interviene ninguna traducción.La persona entrevistada dice chotto matte. La pista representa esas palabras en japonés.
Traducidos automáticamente por YouTube (traducción automática)YouTube convierte el texto de subtítulos existentes a otro idioma. La fuente puede ser una pista proporcionada por quien subió el vídeo o una automática. No escucha un doblaje en el idioma de destino.YouTube traduce el subtítulo japonés al inglés como «Wait a little.». Si el subtítulo japonés reconoció mal un nombre, la traducción puede heredar ese error.
Fuentes

Por qué un vídeo puede tener varios textos en inglés

Un doblaje es audio, no un cuarto tipo de subtítulos. En la misma entrevista ficticia, quien hace el doblaje al inglés podría decir «Give me a second.». Los dos subtítulos en inglés anteriores transmiten el significado. Ninguno contiene esas palabras pronunciadas. Utiliza cualquiera de los dos para comprender, escucha el doblaje para obtener una cita literal y conserva por separado el texto de origen y el método de traducción para un conjunto de datos de traducción.

El audio original corresponde a la interpretación original; la reproducción predeterminada es lo que selecciona el reproductor y puede variar según las preferencias del espectador. Cambiar el idioma de los subtítulos no cambia el audio. No supongas que cada doblaje tiene una pista ASR correspondiente: YouTube describe los subtítulos automáticos de los vídeos con varios audios como subtítulos en el idioma predeterminado, no como una transcripción por doblaje.

Fuentes

Formatos de transcripción de YouTube: TXT, SRT, VTT y JSON

FormatoÚsalo paraQué debes tener en cuenta
Texto sin formato (TXT)Leer, tomar notas o resumirEs fácil de editar, pero convertir la pista en texto continuo elimina el vínculo entre cada línea y el vídeo, salvo que lo conserves por separado.
SubRip (SRT)Transferir subtítulos con marcas de tiempo entre editores y reproductoresSegmentos numerados con tiempos de inicio y fin. Resulta útil cuando importa la reproducción más que un formato visual elaborado.
WebVTT (VTT)Subtítulos para un reproductor webConserva los tiempos de los segmentos y puede incluir información adicional, como la posición o las etiquetas de voz, cuando el autor la ha proporcionado.
JSON o JSON Lines (JSONL)Buscar en varios vídeos o crear conjuntos de datosTú eliges el esquema. Indica si los tiempos están en segundos o milisegundos y si se refieren al vídeo completo o a un clip exportado.

Este es el subtítulo ficticio de quien subió el vídeo en formato WebVTT. Sus 1,9 segundos indican cuándo mostrar el segmento, no el inicio y el fin de cada palabra.

Un segmento WebVTT con marcas de tiempo
WEBVTT

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

Una copia solo de texto puede decir simplemente «Please wait a moment.». Una nota con posibilidad de búsqueda resulta más útil como «01:04 · Please wait a moment.». Si recortas un clip que empieza en 01:00, el subtítulo corresponde a los segundos 4,2 a 6,1 de ese clip, no a los segundos 64,2 a 66,1. Conserva el intervalo original para poder reconstruir la referencia.

Fuentes

Cómo crear un conjunto de datos de transcripciones de YouTube

Decide qué se supone que demuestra un ejemplo antes de recopilar miles de pistas. El mismo segmento puede servir para un conjunto de datos y ser incorrecto para otro:

Objetivo del conjunto de datosEvidencia útilQué descartar o etiquetar por separado
Búsqueda, resúmenes o respuesta a preguntasUn pasaje legible, su idioma, un ID de vídeo y un intervalo de tiempo para citarNo presentes un pasaje traducido como una cita literal de quien habla. Mantén los resúmenes separados del texto de origen.
Reconocimiento de voz o alineación de palabrasUn clip de audio específico emparejado con las palabras que realmente se oyen en élDescarta los doblajes que no correspondan y las paráfrasis como etiquetas de transcripción literal. Separa el ASR sin revisar de las referencias verificadas por personas.
Traducción del habla o del textoEl habla o el texto de origen identificados y su traducción correspondienteMantén diferenciadas las traducciones humanas y automáticas cuando se conozca su origen. Los segmentos pueden dividirse o fusionarse entre idiomas; la línea 12 no tiene por qué traducir la línea 12.
Entrenamiento de vídeo y texto o multimodalTexto que describe lo que aparece en los fotogramas pertinentesLa narración puede referirse a algo fuera de cámara o al siguiente paso. Por ejemplo, HowTo100M utilizó narraciones instructivas como señal de entrenamiento, no descripciones de cada fotograma verificadas manualmente.
Fuente

Registrar el par de audio y subtítulos

Un ID de vídeo no basta: no indica qué audio utilizaste, qué versión de los subtítulos recuperaste ni por qué un revisor aceptó un par. Este es un registro ilustrativo de un conjunto de datos, no una respuesta de las API de YouTube o FlashData:

Manifiesto del conjunto de datos: un subtítulo y su audio
{
  "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
}

Lo importante es esa última decisión: tanto el audio como los subtítulos están en inglés y el segmento está bien sincronizado, pero el texto no es una etiqueta literal. Para una colección real, registra también el identificador de la fuente o de la pista cuando esté disponible, la fecha de recuperación, el identificador del archivo o de la versión, y el permiso o la licencia que cubre el uso previsto. Deja la procedencia desconocida como tal en lugar de deducirla del nombre del archivo.

Revisar la colección antes de utilizarla

  1. Mide la cobertura. Cuenta los vídeos que has intentado procesar, los que tienen una pista en el idioma de destino y los que cumplen tu política de calidad. Distingue entre «no hay subtítulos aptos» y «no se pudieron recuperar». De lo contrario, un fallo temporal parecerá indicar que un idioma tiene poca cobertura.
  2. Escucha y toma muestras. Revisa clips de distintos idiomas, fuentes de subtítulos y canales. Comprueba que los números, los nombres, las negaciones, los cambios de hablante y los límites de los segmentos coincidan con la grabación real. Para transcripciones literales, compara una muestra con un texto de referencia transcrito de forma independiente. La tasa de error de palabras cuenta las sustituciones, eliminaciones e inserciones por palabra de referencia; no es una medida de la calidad de traducción ni de la sincronización.
  3. Conserva la fuente y la base de tiempo. Guarda la pista con marcas de tiempo junto al texto depurado cuando esté permitido. Normaliza los saltos de línea para la búsqueda, pero no elimines a ciegas las frases repetidas: «no, no» puede formar parte del habla real. Comprueba los segmentos frente a la duración del clip y ten en cuenta cualquier desfase debido al recorte.
  4. Divide por grabación, no por línea de subtítulos. Mantén los clips, doblajes y traducciones de una misma grabación en la misma partición, ya sea de entrenamiento o de prueba. De lo contrario, un modelo puede ver la misma entrevista durante el entrenamiento y la evaluación. Excluye los pares sin verificar de los conjuntos de evaluación destinados a medir la precisión literal.
  5. Comprueba los derechos antes de recopilar o publicar. Que algo sea visible públicamente no significa que esté autorizado para redistribuirlo o usarlo en entrenamiento. Registra qué permite el uso previsto, comprueba si hay información personal y planifica las correcciones o retiradas. Mantén esta decisión separada de la calidad técnica.
Fuentes

Recuperar pistas existentes con FlashData

Utiliza esta opción cuando tengas IDs de vídeos y quieras subtítulos existentes como texto y segmentos con marcas de tiempo. No convierte voz a texto en vídeos sin subtítulos. YouTube Transcript y YouTube Captions usan las mismas reglas de selección de pistas. Sus valores predeterminados difieren: youtube_transcript permite fuentes automáticas (auto: true); youtube_captions se limita por defecto a los subtítulos de quien subió el vídeo (auto: false). Ambos solicitan inglés cuando se omite language.

Este es un ejemplo en Python para un solo vídeo con requests. Sustituye la clave de ejemplo y usa un ID de vídeo que tengas autorización para procesar. La disponibilidad depende del vídeo:

Recuperar una transcripción existente con 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']}")

Elegir un idioma y una fuente de subtítulos

Un código de idioma como "en" solicita inglés independientemente del audio. Para seguir una pista de audio, utiliza "original" para el idioma marcado como original o "default" para el idioma de reproducción marcado para el proceso de trabajo, no para la configuración de tu navegador. FlashData determina ambos a partir de la información de audio de la misma extracción.

Un código de pista explícito funciona de otra manera: "en-orig" con auto: true solicita exactamente esa pista automática, sin recurrir a alternativas. El sufijo -orig es una convención de nombres de yt-dlp, no una prueba de que el audio original estuviera en inglés.

Para un código de idioma normal, "default" o "original", auto: true prueba las fuentes de subtítulos en este orden, todas en el idioma de destino:

  1. Reconocimiento de voz en el idioma hablado (youtube_asr): YouTube transcribió el habla.
  2. Subtítulos de quien subió el vídeo (uploader): el canal proporcionó el texto.
  3. Subtítulos automáticos sin clasificar (youtube_auto_unknown): la evidencia no permite distinguir el ASR de la traducción. Es una incertidumbre sobre la fuente, no una cuarta forma de crear subtítulos.
  4. Traducción automática de YouTube (youtube_translated): YouTube tradujo otra pista de subtítulos.

Con auto: false, solo son aptos los subtítulos de quien subió el vídeo. En el ejemplo de la entrevista, supongamos que el idioma de reproducción figura como inglés. Hay unos subtítulos subidos en inglés y una traducción de YouTube, pero no hay ASR en inglés. Solicitar "default" con auto: true devuelve captionSource: "uploader" y isAutoGenerated: false.

Fuente

Solicitar más de un idioma

Envía un array como ["original", "en", "es"] para el mismo vídeo. Esto solicita cada uno de entre 1 y 10 selectores distintos con una única política auto, no el primer idioma disponible. Incluso un array de un solo elemento devuelve results[0].tracks y results[0].errors en lugar de una única pista.

Las pistas recuperadas se mantienen en el orden de la solicitud. Identifica una pista por requestedLanguageCode cuando esté presente y, si no, por languageCode. Los errores identifican el selector que falló mediante languageCode. Conserva los resultados correctos cuando falle otro idioma. Si ninguno tiene éxito, gestiona el error a nivel de solicitud.

Distinguir una pista ausente de un fallo de recuperación

Un idioma original sin confirmar (youtube_original_language_unknown) no es lo mismo que un idioma original conocido sin subtítulos aptos (youtube_original_subtitles_unavailable). Para la reproducción predeterminada, los errores correspondientes son youtube_default_language_unknown y youtube_default_subtitles_unavailable.

Si YouTube devuelve HTTP 429 al servir subtítulos traducidos y no se consigue recuperar ninguna pista solicitada, la API en tiempo real de FlashData puede informar de HTTP 502 con youtube_subtitle_retrieval_failed. Si hay éxito parcial, el selector fallido puede tener errors[].code: "retrieval_failed" en su lugar. Un 502 por sí solo no permite diagnosticar un 429 de YouTube. Un 429 del limitador de solicitudes de FlashData es independiente de un 429 de YouTube.

La API YouTube Download selecciona el audio por separado mediante audio_language y puede recurrir a otra pista; solicitar "original" a ambas API no demuestra la alineación entre el audio y los subtítulos. Consulta la receta de subtítulos con marcas de tiempo para guardar los resultados y la guía de archivos Bulk para procesar una lista de IDs de vídeos.

Preguntas frecuentes sobre las transcripciones de YouTube

¿Puedo obtener gratis una transcripción de YouTube sin descargar el vídeo?

Sí. Cuando hay subtítulos disponibles, la función Mostrar transcripción de YouTube permite leer el texto en la página de reproducción sin comprar una herramienta ni descargar archivos multimedia. Para una charla o una entrevista, empieza por ahí.

Fuente

¿Por qué no hay transcripción si puedo ver subtítulos en la imagen?

Desactiva los subtítulos opcionales. Si las palabras siguen ahí, pueden estar incrustadas: forman parte de la imagen, no de una pista de texto seleccionable. También puede que un vídeo no tenga subtítulos publicados o que los automáticos aún se estén procesando. Para material que tengas autorización para procesar, transcribe el audio si quieres lo que se dijo, o utiliza reconocimiento óptico de caracteres (OCR) con revisión si necesitas las palabras exactas impresas en pantalla. Ambas cosas pueden diferir.

¿Puedo obtener texto en inglés si el audio está en otro idioma?

A menudo sí, pero no siempre. Busca primero subtítulos en inglés; si no aparece ninguno, comprueba si el reproductor ofrece Traducir automáticamente. Esta función traduce los subtítulos disponibles. No crea audio en inglés ni demuestra que el doblaje al inglés utilizara las mismas palabras.

Fuente

¿«Generado automáticamente» significa «traducido automáticamente»?

No. El reconocimiento de voz convierte el habla en escritura en el mismo idioma. La traducción automática cambia un texto de un idioma a otro. Ambos procesos pueden ser automáticos, y una traducción puede partir de un reconocimiento de voz imperfecto. Cuando no se indique el origen, etiquétalo como desconocido.

¿Por qué yt-dlp informa de HTTP 429 para los subtítulos traducidos automáticamente por YouTube?

Un vídeo puede mostrar una traducción en la lista aunque YouTube rechace la solicitud de su texto con HTTP 429 (Too Many Requests). En la incidencia #13831 de yt-dlp, la explicación fijada por el responsable del proyecto identifica los subtítulos traducidos automáticamente por YouTube como el caso afectado. Las pistas proporcionadas por quien subió el vídeo y el ASR en el idioma original no estaban afectados por ese problema concreto. No significa que fallen todas las traducciones ni que las demás solicitudes de subtítulos nunca puedan sufrir limitaciones de frecuencia.

Si solo necesitas texto legible, comprueba si existe una pista de quien subió el vídeo o de ASR en el idioma hablado en tu idioma de destino. Si necesitas específicamente la traducción de YouTube, conserva las pistas recuperadas y aplaza solo la traducción que falló. Respeta Retry-After cuando la respuesta lo incluya; de lo contrario, espacia los intentos, limita los reintentos y evita volver a intentar una colección entera de una vez. Registra el resultado como fallo de recuperación, no como ausencia de subtítulos. Recibir correctamente una pista en japonés no satisface una solicitud de inglés.

Fuentes

¿Cómo obtengo solo el texto, sin marcas de tiempo?

Exporta una versión en texto sin formato de un archivo de subtítulos, o une el texto de sus segmentos en orden. Conserva el original con marcas de tiempo si más adelante podrías citar una línea, crear clips o corregir un error. Eliminar las marcas de tiempo es fácil; recuperar tiempos precisos a partir de un párrafo es una tarea de alineación aparte.

¿Hay transcripciones disponibles para YouTube Shorts y emisiones en directo?

YouTube admite subtítulos automáticos tanto para los Shorts que cumplen los requisitos como para vídeos largos, pero su disponibilidad no está garantizada. Los subtítulos del directo y los de la grabación archivada no son necesariamente iguales: YouTube afirma que genera nuevos subtítulos automáticos para la versión bajo demanda. Para un conjunto de datos reproducible, registra qué versión utilizaste y cuándo.

Fuente

¿La API oficial YouTube Data devuelve transcripciones de cualquier vídeo público?

No. captions.list de Google, con autorización OAuth, devuelve metadatos de las pistas, no las palabras en sí. captions.download recupera la pista y requiere permiso para editar el vídeo. Poder leer una transcripción como espectador no equivale a tener ese permiso de API.

Fuentes

¿Se incluyen los nombres de los hablantes y las marcas de tiempo palabra por palabra?

No de forma fiable. Un segmento puede abarcar una frase entera, y una pista puede identificar a un hablante, señalar un sonido o no hacer ninguna de las dos cosas. Si necesitas saber quién habló y cuándo, anota la grabación o ejecuta una diarización de hablantes y verifícala. Si necesitas saber cuándo se pronunció cada palabra, utiliza alineación de palabras con la grabación real; no repartas la duración de un segmento de forma uniforme entre sus palabras.

¿Las transcripciones de YouTube son lo bastante precisas como para citarlas?

Utiliza la transcripción para encontrar el momento y la grabación para verificar la cita. Si citas en inglés a alguien que habla japonés, indica si las palabras son tu traducción, el subtítulo de quien subió el vídeo o el doblaje. Que una frase sea fluida no demuestra que una persona concreta haya usado esas palabras exactas.

¿Se pueden usar transcripciones públicas de YouTube para entrenar un modelo o compartirlas como conjunto de datos?

El acceso público por sí solo no da permiso para ninguno de esos usos. Determina qué autoriza la recopilación, el entrenamiento y cualquier redistribución del texto o del contenido multimedia; son decisiones independientes. Después decide si las etiquetas encajan con la tarea: una traducción al inglés autorizada puede seguir siendo una referencia incorrecta para el reconocimiento de voz en inglés. La guía de licencias de YouTube explica la diferencia entre su licencia estándar y Creative Commons Atribución.

Fuente

¿Por qué cambia una transcripción cuando vuelvo a recuperarla?

Comprueba el vídeo, el idioma del audio, el idioma de los subtítulos y la fuente de la pista. Puede que estés comparando dos pistas. Incluso un mismo vídeo puede cambiar: el creador puede editar el texto o los tiempos y publicar una pista de subtítulos revisada. Conserva una fecha de recuperación y una versión o un hash del contenido cuando esté permitido para distinguir una edición de un cambio en tu política de selección.

Fuente
Markdown