Aller au contenu
FR
Obtenir une clé API
Parcourir la documentation

Guides

Transcriptions et sous-titres YouTube : d'une vidéo à un jeu de données d'entraînement

Ouvrez la description de la vidéo et choisissez Afficher la transcription. Si des sous-titres sont disponibles, vous pouvez lire les paroles et accéder au moment où elles ont été prononcées. Aucune API ni aucun téléchargement n'est nécessaire.

Sur cette page

Comment obtenir une transcription YouTube sans télécharger la vidéo

  1. Trouvez le passage. Sur la page de lecture, développez la description et sélectionnez Afficher la transcription. Sélectionnez une ligne pour lire ce moment de la vidéo.
  2. Vérifiez la langue. Le menu Sous-titres/CC du lecteur contrôle le texte. L'option Piste audio, lorsqu'elle est présente, contrôle ce que vous entendez. Changer l'audio ne garantit pas que la transcription change aussi.
  3. Vérifiez une citation. Copiez le passage lorsque la sélection de texte est possible, ou notez les mots et l'horodatage. Réécoutez la phrase pour vérifier les noms, les nombres et les mots comme « pas » qui peuvent inverser le sens.
Sources

Enregistrer les sous-titres d'une vidéo que vous gérez

Dans YouTube Studio → Sous-titres, choisissez la vidéo et sélectionnez Modifier à côté de la langue souhaitée. Sous Options, choisissez Télécharger les sous-titres. Conservez le fichier horodaté ; vous pourrez en exporter une copie en texte brut plus tard.

S'il n'existe pas encore de piste et que vous disposez d'un script dans la langue parlée, Studio peut le synchroniser avec l'audio.

Sources

En l'absence de piste de sous-titres

Récupérer des sous-titres consiste à lire un texte existant. Transcrire consiste à créer un nouveau texte à partir de l'audio. Pour un enregistrement qui vous appartient ou que vous êtes autorisé à traiter, utilisez un outil de reconnaissance vocale en mode transcription afin de conserver la langue parlée. La traduction est une étape distincte. Sans sous-titres ni accès autorisé à l'audio, demandez une transcription à la personne qui a publié la vidéo.

Par exemple, pour transcrire localement votre propre entretien en anglais, sélectionnez d'abord le bon flux audio. Une fois FFmpeg, whisper-cli du guide de démarrage de whisper.cpp et son modèle anglais base.en installés, les commandes suivantes produisent à la fois interview.txt et interview.srt :

Transcrire un enregistrement local avec 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

Ici, 0:a:0 sélectionne le premier flux audio, pas nécessairement la langue d'origine. Écoutez-le d'abord. Pour des paroles en japonais, par exemple, sélectionnez le flux japonais, utilisez le modèle multilingue ggml-base.bin et définissez -l ja. Comparez le résultat à l'enregistrement. Ce texte a été créé par votre processus de transcription ; ce n'est pas une piste de sous-titres fournie par YouTube.

Source

Comprendre les sous-titres d'accessibilité, les sous-titres et les transcriptions

Une piste de sous-titres est une suite de segments : un texte et le moment où il doit apparaître. Les sous-titres activables peuvent être affichés ou masqués. Les sous-titres d'accessibilité restituent les sons significatifs en plus des paroles : un changement de locuteur, un coup à la porte ou une alarme à laquelle quelqu'un réagit. Le terme sous-titres désigne souvent des dialogues traduits, mais dans de nombreux pays, il désigne aussi des sous-titres dans la langue parlée. Le seul libellé du menu ne permet pas de savoir qui a rédigé les mots ni s'il s'agit d'une traduction.

Une transcription présente les paroles sous une forme lisible, avec ou sans horodatages. Le panneau de transcription de YouTube est une vue de lecture des sous-titres, pas une seconde transcription indépendante. Un résumé est encore autre chose : il peut omettre des éléments ou reformuler. Si une personne dit « mettez-le ici » en montrant un schéma, la transcription peut reprendre exactement ces mots sans préciser l'endroit. Une transcription descriptive ajoute les informations visuelles manquantes.

Sources

Les trois types de sous-titres YouTube

Pour comparer des transcriptions, classez la piste de sous-titres réellement reçue. Les trois sources courantes sont les sous-titres fournis par le créateur, la transcription automatique de YouTube et la traduction automatique de YouTube. Les deux dernières sont automatisées, mais une seule écoute les paroles.

Source des sous-titresComment le texte a été produitExemple : un entretien en japonais
Fournis par le créateur (uploader)La chaîne fournit ou publie le texte. Celui-ci peut être saisi, importé ou modifié à partir d'une ébauche automatique. Il n'est pas nécessairement rédigé à partir de zéro ni fidèle mot pour mot aux paroles.Le créateur publie des sous-titres anglais indiquant « Please wait a moment. ». Il s'agit d'une traduction, mais sa source reste le créateur, et non la fonction de traduction automatique de YouTube.
Générés automatiquement par YouTube (reconnaissance vocale, ou ASR)YouTube transforme les paroles en texte dans la même langue. Le système peut mal comprendre la personne qui parle ; aucune traduction n'intervient.La personne interrogée dit chotto matte. La piste retranscrit ces mots en japonais.
Traduits automatiquement par YouTube (traduction automatique)YouTube traduit le texte d'une piste de sous-titres existante dans une autre langue. La source peut être fournie par l'auteur de la vidéo ou générée automatiquement. Le système n'écoute pas un doublage dans la langue cible.YouTube traduit le sous-titre japonais en anglais par « Wait a little. ». Si le sous-titre japonais contient un nom mal reconnu, la traduction peut hériter de cette erreur.
Sources

Pourquoi une vidéo peut avoir plusieurs textes anglais

Un doublage est de l'audio, pas un quatrième type de sous-titres. Dans le même entretien fictif, la personne qui assure le doublage anglais pourrait dire « Give me a second. ». Les deux sous-titres anglais ci-dessus transmettent le sens. Aucun ne contient les mots effectivement prononcés. Utilisez l'un ou l'autre pour comprendre, écoutez le doublage pour une citation directe et conservez séparément le texte source et la méthode de traduction dans un jeu de données de traduction.

L'audio d'origine correspond à la prestation initiale ; la lecture par défaut correspond au choix du lecteur et peut varier selon les préférences de la personne qui regarde. Changer la langue des sous-titres ne change pas l'audio. Ne supposez pas que chaque doublage possède une piste ASR correspondante : YouTube décrit les sous-titres automatiques des vidéos multiaudio comme étant dans la langue par défaut, et non comme une transcription par doublage.

Sources

Formats de transcription YouTube : TXT, SRT, VTT et JSON

FormatÀ choisir pourPoints à retenir
Texte brut (TXT)Lire, prendre des notes ou résumerFacile à modifier, mais convertir la piste en texte continu supprime le lien entre chaque ligne et la vidéo, sauf si vous le conservez séparément.
SubRip (SRT)Transférer des sous-titres horodatés entre éditeurs et lecteursSegments numérotés avec temps de début et de fin. Utile lorsque la lecture compte davantage qu'une mise en forme élaborée.
WebVTT (VTT)Sous-titres pour un lecteur webConserve les horodatages des segments et peut contenir des informations supplémentaires, comme le positionnement ou l'identification des voix, si l'auteur les a fournies.
JSON ou JSON Lines (JSONL)Rechercher dans plusieurs vidéos ou constituer des jeux de donnéesVous choisissez le schéma. Précisez si les temps sont exprimés en secondes ou en millisecondes et s'ils se rapportent à la vidéo entière ou à un extrait exporté.

Voici le sous-titre fictif fourni par l'auteur de la vidéo au format WebVTT. Sa durée de 1,9 seconde indique quand afficher le segment, pas le début et la fin de chaque mot.

Un segment WebVTT horodaté
WEBVTT

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

Une copie en texte seul peut simplement contenir « Please wait a moment. ». Une note consultable par recherche est plus utile sous la forme « 01:04 · Please wait a moment. ». Si vous découpez un extrait commençant à 01:00, le sous-titre doit apparaître de 4,2 à 6,1 secondes dans cet extrait, et non de 64,2 à 66,1. Conservez la plage temporelle d'origine pour pouvoir reconstituer la référence.

Sources

Comment constituer un jeu de données de transcriptions YouTube

Définissez ce qu'un exemple est censé démontrer avant de collecter des milliers de pistes. Le même segment peut convenir à un jeu de données et pas à un autre :

Objectif du jeu de donnéesÉléments utilesÉléments à rejeter ou à étiqueter séparément
Recherche, résumés ou réponse aux questionsUn passage lisible, sa langue, un identifiant vidéo et une plage temporelle à citerNe présentez pas un passage traduit comme une citation mot pour mot de la personne qui parle. Conservez les résumés séparément du texte source.
Reconnaissance vocale ou alignement des motsUn extrait audio précis associé aux mots réellement audibles dans cet extraitÉcartez les doublages qui ne correspondent pas et les paraphrases des annotations censées être mot pour mot. Séparez les résultats ASR non vérifiés des références contrôlées par une personne.
Traduction de la parole ou du texteDes paroles ou un texte source identifiés et leur traduction correspondanteDistinguez les traductions humaines des traductions automatiques lorsque leur origine est connue. Les segments peuvent être divisés ou fusionnés d'une langue à l'autre ; la ligne 12 ne traduit pas nécessairement la ligne 12.
Entraînement vidéo-texte ou multimodalUn texte décrivant ce qui apparaît dans les images concernéesLa narration peut faire référence à un élément hors champ ou à l'étape suivante. Par exemple, HowTo100M a utilisé la narration de tutoriels comme signal d'entraînement, et non des descriptions de chaque image vérifiées manuellement.
Source

Documenter la paire audio et sous-titres

Un identifiant vidéo ne suffit pas : il ne précise ni l'audio utilisé, ni la version des sous-titres récupérée, ni pourquoi une personne chargée de la vérification a accepté une paire. Voici un exemple d'enregistrement dans un jeu de données, et non une réponse des API YouTube ou FlashData :

Manifeste du jeu de données : un sous-titre et son 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
}

C'est la dernière décision qui importe : l'audio et les sous-titres sont tous deux en anglais et le segment est bien synchronisé, mais le texte n'est pas une annotation mot pour mot. Pour une véritable collection, consignez aussi l'identifiant de la source ou de la piste lorsqu'il est disponible, la date de récupération, l'identifiant du fichier ou de la version, ainsi que l'autorisation ou la licence couvrant l'usage prévu. Laissez une provenance inconnue comme telle au lieu de la déduire d'un nom de fichier.

Vérifier la collection avant de l'utiliser

  1. Mesurez la couverture. Comptez les vidéos pour lesquelles une tentative a été faite, celles qui possèdent une piste dans la langue cible et celles qui respectent votre politique de qualité. Distinguez « aucun sous-titre admissible » de « récupération impossible ». Sinon, un échec temporaire donnera l'impression qu'une langue est mal couverte.
  2. Écoutez et échantillonnez. Vérifiez des extraits de différentes langues, sources de sous-titres et chaînes. Contrôlez les nombres, les noms, les négations, les changements de locuteur et les limites des segments par rapport à l'enregistrement réel. Pour des transcriptions mot pour mot, comparez un échantillon à un texte de référence transcrit indépendamment. Le taux d'erreur sur les mots compte les substitutions, suppressions et insertions par mot de référence ; ce n'est pas un score de qualité de traduction ni de synchronisation.
  3. Conservez la source et la base de temps. Gardez la piste horodatée avec le texte nettoyé lorsque cela est autorisé. Normalisez les sauts de ligne pour la recherche, mais ne supprimez pas aveuglément les expressions répétées : « non, non » peut correspondre aux paroles réelles. Vérifiez les segments par rapport à la durée de l'extrait et tenez compte de tout décalage dû au découpage.
  4. Répartissez par enregistrement, pas par ligne de sous-titres. Gardez les extraits, doublages et traductions d'un même enregistrement dans la même partition, d'entraînement ou de test. Sinon, un modèle peut rencontrer le même entretien pendant l'entraînement et l'évaluation. Excluez les paires non vérifiées d'un jeu d'évaluation destiné à mesurer l'exactitude mot pour mot.
  5. Vérifiez les droits avant la collecte ou la diffusion. Un contenu consultable publiquement n'est pas nécessairement autorisé pour la redistribution ou l'entraînement. Consignez ce qui autorise l'usage prévu, recherchez les données personnelles et prévoyez les corrections ou suppressions. Gardez cette décision distincte de la qualité technique.
Sources

Récupérer des pistes existantes avec FlashData

Utilisez cette méthode si vous disposez d'identifiants vidéo et souhaitez récupérer des sous-titres existants sous forme de texte et de segments horodatés. Elle ne transcrit pas l'audio d'une vidéo sans sous-titres. YouTube Transcript et YouTube Captions appliquent les mêmes règles de sélection des pistes. Leurs valeurs par défaut diffèrent : youtube_transcript autorise les sources automatiques (auto: true) ; youtube_captions se limite par défaut aux sous-titres fournis par l'auteur de la vidéo (auto: false). Les deux ciblent l'anglais lorsque language est omis.

Voici un exemple Python pour une seule vidéo, utilisant requests. Remplacez la clé fictive et utilisez l'identifiant d'une vidéo que vous êtes autorisé à traiter. La disponibilité dépend de la vidéo :

Récupérer une transcription existante avec 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']}")

Choisir une langue et une source de sous-titres

Un code de langue comme "en" demande l'anglais, quel que soit l'audio. Pour suivre plutôt une piste audio, utilisez "original" pour la langue signalée comme étant celle d'origine, ou "default" pour la langue de lecture indiquée pour le processus de traitement, et non celle choisie dans votre navigateur. FlashData détermine les deux à partir des informations audio issues de la même extraction.

Un code de piste explicite fonctionne différemment : "en-orig" avec auto: true demande exactement cette piste automatique, sans solution de repli. Le suffixe -orig est une convention de nommage de yt-dlp, pas une preuve que l'anglais était la langue de l'audio d'origine.

Pour un code de langue ordinaire, "default" ou "original", auto: true essaie les sources de sous-titres dans cet ordre, toutes dans la langue cible :

  1. Reconnaissance vocale dans la langue parlée (youtube_asr) : YouTube a transcrit les paroles.
  2. Sous-titres fournis par l'auteur de la vidéo (uploader) : la chaîne a fourni le texte.
  3. Sous-titres automatiques non classés (youtube_auto_unknown) : les éléments disponibles ne permettent pas de distinguer l'ASR de la traduction. Il s'agit d'une incertitude sur la source, pas d'une quatrième méthode de production des sous-titres.
  4. Traduction automatique de YouTube (youtube_translated) : YouTube a traduit une autre piste de sous-titres.

Avec auto: false, seuls les sous-titres fournis par l'auteur de la vidéo sont admissibles. Dans l'exemple de l'entretien, supposons que la lecture soit signalée comme étant en anglais. Des sous-titres anglais ont été importés et une traduction YouTube existe, mais aucune piste ASR anglaise. Demander "default" avec auto: true renvoie captionSource: "uploader" et isAutoGenerated: false.

Source

Demander plusieurs langues

Envoyez un tableau tel que ["original", "en", "es"] pour la même vidéo. Cela demande chacun des 1 à 10 sélecteurs distincts selon une seule politique auto, et non la première langue disponible. Même un tableau d'un seul élément renvoie results[0].tracks et results[0].errors au lieu d'une seule piste.

Les pistes récupérées restent dans l'ordre de la demande. Identifiez une piste à l'aide de requestedLanguageCode lorsqu'il est présent, sinon de languageCode. Les erreurs identifient le sélecteur en échec par languageCode. Conservez les résultats obtenus lorsqu'une autre langue échoue. Si aucune ne réussit, traitez l'erreur au niveau de la requête.

Distinguer une piste absente d'un échec de récupération

Une langue d'origine non confirmée (youtube_original_language_unknown) diffère d'une langue d'origine connue sans sous-titres admissibles (youtube_original_subtitles_unavailable). Pour la lecture par défaut, les erreurs correspondantes sont youtube_default_language_unknown et youtube_default_subtitles_unavailable.

Si YouTube renvoie HTTP 429 lors de la fourniture de sous-titres traduits et qu'aucune piste demandée n'est récupérée, l'API temps réel de FlashData peut signaler HTTP 502 avec youtube_subtitle_retrieval_failed. En cas de réussite partielle, le sélecteur en échec peut présenter errors[].code: "retrieval_failed" à la place. Un simple code 502 ne permet pas de diagnostiquer un code 429 de YouTube. Un code 429 provenant du limiteur de requêtes de FlashData est distinct d'un code 429 provenant de YouTube.

L'API YouTube Download sélectionne l'audio séparément via audio_language et peut se rabattre sur une autre piste ; demander "original" aux deux API ne garantit pas l'alignement. Consultez la recette des sous-titres horodatés pour enregistrer les résultats et le guide des fichiers Bulk pour traiter une liste d'identifiants vidéo.

FAQ sur les transcriptions YouTube

Puis-je obtenir gratuitement une transcription YouTube sans télécharger la vidéo ?

Oui. Lorsque des sous-titres sont disponibles, la fonction Afficher la transcription de YouTube permet de lire le texte sur la page de lecture sans acheter d'outil ni télécharger de média. Pour une conférence ou un entretien, commencez par là.

Source

Pourquoi n'y a-t-il pas de transcription alors que des sous-titres apparaissent dans l'image ?

Désactivez les sous-titres. Si les mots restent visibles, ils sont peut-être incrustés : ils font partie de l'image et ne constituent pas une piste de texte sélectionnable. Une vidéo peut aussi ne pas avoir de sous-titres publiés, ou ses sous-titres automatiques peuvent être encore en cours de traitement. Pour un contenu que vous êtes autorisé à traiter, transcrivez l'audio si vous voulez ce qui a été dit, ou utilisez la reconnaissance optique de caractères (OCR) avec vérification si vous avez besoin des mots exacts affichés à l'écran. Les deux peuvent différer.

Puis-je obtenir un texte anglais si l'audio est dans une autre langue ?

Souvent, mais pas toujours. Cherchez d'abord des sous-titres anglais ; si aucun n'est proposé, vérifiez si le lecteur offre l'option Traduire automatiquement. Celle-ci traduit les sous-titres disponibles. Elle ne crée pas d'audio anglais et ne prouve pas que le doublage anglais utilise les mêmes mots.

Source

« Générés automatiquement » signifie-t-il « traduits automatiquement » ?

Non. La reconnaissance vocale transforme les paroles en texte dans la même langue. La traduction automatique fait passer un texte d'une langue à une autre. Les deux processus peuvent être automatiques, et une traduction peut partir d'une reconnaissance vocale imparfaite. Lorsque l'origine n'est pas indiquée, marquez-la comme inconnue.

Pourquoi yt-dlp signale-t-il HTTP 429 pour les sous-titres traduits automatiquement par YouTube ?

Une vidéo peut proposer une traduction même lorsque YouTube refuse la requête portant sur son texte avec HTTP 429 (Too Many Requests). Dans le ticket yt-dlp #13831, l'explication épinglée par le responsable du projet identifie les sous-titres traduits automatiquement par YouTube comme le cas concerné. Les pistes fournies par l'auteur de la vidéo et l'ASR dans la langue d'origine n'étaient pas touchées par ce problème particulier. Cela ne signifie pas que toutes les traductions échouent ni que les autres requêtes de sous-titres ne peuvent jamais être soumises à une limitation de débit.

Si vous avez seulement besoin d'un texte lisible, cherchez une piste existante fournie par l'auteur ou issue de l'ASR dans la langue parlée, dans votre langue cible. Si vous avez précisément besoin de la traduction YouTube, conservez les pistes récupérées et ne reportez que la traduction en échec. Respectez Retry-After lorsque la réponse le contient ; sinon, espacez les tentatives, limitez leur nombre et évitez de relancer toute une collection d'un coup. Consignez le résultat comme un échec de récupération, pas comme une absence de sous-titres. Une piste japonaise récupérée avec succès ne satisfait pas une demande d'anglais.

Sources

Comment obtenir uniquement le texte, sans horodatages ?

Exportez une version en texte brut d'un fichier de sous-titres, ou assemblez le texte de ses segments dans l'ordre. Conservez l'original horodaté si vous pourriez ensuite citer une ligne, créer des extraits ou corriger une erreur. Supprimer les horodatages est facile ; retrouver une synchronisation précise à partir d'un paragraphe est une tâche d'alignement distincte.

Les transcriptions sont-elles disponibles pour les YouTube Shorts et les diffusions en direct ?

YouTube prend en charge les sous-titres automatiques pour les Shorts admissibles comme pour les vidéos longues, mais leur disponibilité n'est pas garantie. Les sous-titres du direct et ceux de la vidéo archivée ne sont pas nécessairement les mêmes : YouTube indique générer de nouveaux sous-titres automatiques pour la version à la demande. Pour un jeu de données reproductible, consignez la version utilisée et la date.

Source

L'API officielle YouTube Data renvoie-t-elle les transcriptions de toutes les vidéos publiques ?

Non. L'appel captions.list de Google, autorisé via OAuth, renvoie les métadonnées des pistes, pas les paroles elles-mêmes. captions.download récupère la piste et nécessite l'autorisation de modifier la vidéo. Pouvoir lire une transcription en tant que spectateur ne revient pas à disposer de cette autorisation API.

Sources

Les noms des locuteurs et les horodatages mot par mot sont-ils inclus ?

Pas de manière fiable. Un segment peut couvrir une phrase entière, et une piste peut identifier un locuteur, signaler un son ou ne faire ni l'un ni l'autre. Pour savoir qui a parlé et à quel moment, annotez l'enregistrement ou effectuez une diarisation des locuteurs, puis vérifiez-la. Pour connaître le moment où chaque mot a été prononcé, alignez les mots sur l'enregistrement réel ; ne répartissez pas uniformément la durée d'un segment entre ses mots.

Les transcriptions YouTube sont-elles assez exactes pour être citées ?

Utilisez la transcription pour trouver le moment ; utilisez l'enregistrement pour vérifier la citation. Si vous citez en anglais une personne qui parle japonais, précisez s'il s'agit de votre traduction, du sous-titre fourni par l'auteur ou du doublage. Une phrase fluide ne prouve pas qu'une personne donnée a employé exactement ces mots.

Peut-on utiliser les transcriptions YouTube publiques pour entraîner un modèle ou les partager comme jeu de données ?

L'accès public ne donne à lui seul l'autorisation d'aucun de ces usages. Déterminez ce qui couvre la collecte, l'entraînement et toute redistribution du texte ou du média ; ce sont des décisions distinctes. Décidez ensuite si les annotations conviennent à la tâche : une traduction anglaise autorisée peut malgré tout être une mauvaise référence pour la reconnaissance vocale en anglais. Le guide des licences de YouTube explique la différence entre sa licence standard et la licence Creative Commons Attribution.

Source

Pourquoi une transcription est-elle différente lorsque je la récupère à nouveau ?

Vérifiez la vidéo, la langue audio, la langue des sous-titres et la source de la piste. Vous comparez peut-être deux pistes différentes. Même une vidéo donnée peut changer : un créateur peut modifier le texte ou les horodatages et publier une piste de sous-titres révisée. Conservez une date de récupération ainsi qu'une version ou une empreinte du contenu lorsque cela est autorisé, afin de distinguer une modification du contenu d'un changement de votre politique de sélection.

Source
Markdown