दस्तावेज़ देखें
गाइड
वीडियो का विवरण खोलें और ट्रांसक्रिप्ट दिखाएं चुनें। कैप्शन उपलब्ध होने पर आप शब्द पढ़ सकते हैं और उस समय पर जा सकते हैं जब वे बोले गए थे। किसी API या डाउनलोड की आवश्यकता नहीं है।
इस पेज पर
वीडियो डाउनलोड किए बिना YouTube ट्रांसक्रिप्ट कैसे प्राप्त करें
- ज़रूरी अंश खोजें। वीडियो देखने वाले पेज पर विवरण को पूरा खोलें और ट्रांसक्रिप्ट दिखाएं चुनें। किसी पंक्ति को चुनकर उस समय का वीडियो चलाएं।
- भाषा जाँचें। प्लेयर का उपशीर्षक/CC मेन्यू टेक्स्ट नियंत्रित करता है। ऑडियो ट्रैक विकल्प मौजूद होने पर यह तय करता है कि आप क्या सुनते हैं। ऑडियो बदलने से ट्रांसक्रिप्ट भी बदल जाएगा, इसकी गारंटी नहीं है।
- उद्धरण की पुष्टि करें। जहाँ टेक्स्ट चुना जा सकता है, वहाँ से अंश कॉपी करें, या शब्द और टाइमस्टैम्प लिख लें। नामों, संख्याओं और अर्थ उलट सकने वाले शब्दों, जैसे “नहीं”, की जाँच के लिए वह पंक्ति फिर से सुनें।
अपने प्रबंधन वाले वीडियो के कैप्शन सहेजें
YouTube Studio → उपशीर्षक में वीडियो चुनें और इच्छित भाषा के सामने बदलाव करें चुनें। विकल्प में उपशीर्षक डाउनलोड करें चुनें। समय-सूचना वाली फ़ाइल सहेजकर रखें; बाद में उसकी सादा टेक्स्ट कॉपी निर्यात कर सकते हैं।
यदि अभी कोई ट्रैक नहीं है और आपके पास बोली गई भाषा में स्क्रिप्ट है, तो Studio उसे ऑडियो के साथ सिंक कर सकता है।
जब कैप्शन ट्रैक न हो
कैप्शन प्राप्त करने में पहले से मौजूद टेक्स्ट पढ़ा जाता है। प्रतिलेखन में ऑडियो से नया टेक्स्ट बनाया जाता है। जिस रिकॉर्डिंग के आप स्वामी हैं या जिसे संसाधित करने की अनुमति आपके पास है, उसके लिए वाणी-से-टेक्स्ट टूल को प्रतिलेखन (transcribe) मोड में इस्तेमाल करें, ताकि बोली गई भाषा बनी रहे। अनुवाद एक अलग चरण है। कैप्शन या ऑडियो तक अधिकृत पहुँच न होने पर प्रकाशक से ट्रांसक्रिप्ट माँगें।
उदाहरण के लिए, अपने अंग्रेज़ी साक्षात्कार का स्थानीय रूप से प्रतिलेखन करने के लिए पहले सही ऑडियो स्ट्रीम चुनें। FFmpeg, whisper.cpp के त्वरित आरंभ से whisper-cli और उसका अंग्रेज़ी base.en मॉडल इंस्टॉल होने पर, नीचे दिया गया उदाहरण interview.txt और interview.srt दोनों बनाता है:
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 interviewयहाँ 0:a:0 पहली ऑडियो स्ट्रीम चुनता है, जो आवश्यक नहीं कि मूल भाषा में हो। पहले उसे सुनें। उदाहरण के लिए, जापानी वाणी के लिए जापानी स्ट्रीम चुनें, बहुभाषी मॉडल ggml-base.bin इस्तेमाल करें और -l ja सेट करें। परिणाम की रिकॉर्डिंग से तुलना करके समीक्षा करें। यह टेक्स्ट आपकी प्रतिलेखन प्रक्रिया से बना है; यह YouTube का दिया हुआ कैप्शन ट्रैक नहीं है।
कैप्शन, उपशीर्षक और ट्रांसक्रिप्ट क्या हैं
कैप्शन ट्रैक समयबद्ध खंडों का एक क्रम होता है: हर खंड में टेक्स्ट और उसे दिखाने का समय होता है। क्लोज़्ड कैप्शन चालू या बंद किए जा सकते हैं। सुलभता के लिए बने कैप्शन वाणी के साथ अर्थपूर्ण ध्वनियाँ भी बताते हैं, जैसे वक्ता बदलना, दरवाज़े पर दस्तक या कोई अलार्म जिस पर कोई व्यक्ति प्रतिक्रिया दे। उपशीर्षक का अर्थ अक्सर अनुवादित संवाद होता है, लेकिन कई देशों में इसी शब्द का इस्तेमाल उसी भाषा के कैप्शन के लिए भी होता है। केवल मेन्यू के नाम से यह पता नहीं चलता कि शब्द किसने लिखे हैं या वे अनुवाद हैं या नहीं।
ट्रांसक्रिप्ट शब्दों को पढ़ने के लिए प्रस्तुत करता है, टाइमस्टैम्प के साथ या बिना। YouTube का ट्रांसक्रिप्ट पैनल कैप्शन को पढ़ने का दृश्य है, कोई दूसरा स्वतंत्र प्रतिलेखन नहीं। सारांश इससे भी अलग है: उसमें बातें छोड़ी जा सकती हैं या दूसरे शब्दों में कही जा सकती हैं। यदि वक्ता किसी आरेख की ओर इशारा करते हुए कहे “इसे यहाँ रखें”, तो ट्रांसक्रिप्ट में ठीक यही लिखा हो सकता है, बिना यह बताए कि कहाँ रखना है। वर्णनात्मक ट्रांसक्रिप्ट छूटी हुई दृश्य जानकारी जोड़ता है।
YouTube कैप्शन के तीन प्रकार
ट्रांसक्रिप्ट की तुलना करते समय वास्तव में प्राप्त हुए कैप्शन ट्रैक का वर्गीकरण करें। तीन सामान्य स्रोत हैं: क्रिएटर के दिए कैप्शन, YouTube का स्वचालित प्रतिलेखन और YouTube का स्वचालित अनुवाद। आखिरी दोनों प्रक्रियाएँ स्वचालित हैं, लेकिन उनमें से केवल एक वाणी सुनती है।
| कैप्शन का स्रोत | टेक्स्ट कैसे बना | उदाहरण: जापानी साक्षात्कार |
|---|---|---|
| क्रिएटर द्वारा दिए गए (अपलोडर) | शब्दों का पाठ चैनल उपलब्ध कराता या प्रकाशित करता है। उसे टाइप किया जा सकता है, अपलोड किया जा सकता है या स्वचालित मसौदे में बदलाव करके बनाया जा सकता है। यह आवश्यक नहीं कि उसे शुरू से लिखा गया हो या वह शब्दशः हो। | क्रिएटर अंग्रेज़ी उपशीर्षक प्रकाशित करता है जिनमें लिखा है "Please wait a moment."। यह अनुवाद है, लेकिन इसका स्रोत अब भी क्रिएटर है, YouTube का अपने-आप अनुवाद करने वाला फ़ीचर नहीं। |
| YouTube द्वारा अपने-आप जनरेट किए गए (वाक् पहचान या ASR) | YouTube वाणी को उसी भाषा के टेक्स्ट में बदलता है। वह वक्ता के शब्द गलत सुन सकता है; इसमें अनुवाद नहीं होता। | अतिथि chotto matte कहता है। ट्रैक इन शब्दों को जापानी में प्रस्तुत करता है। |
| YouTube द्वारा अपने-आप अनुवाद किए गए (मशीनी अनुवाद) | YouTube पहले से मौजूद कैप्शन टेक्स्ट को दूसरी भाषा में बदलता है। स्रोत अपलोडर का दिया हुआ या स्वचालित हो सकता है। यह लक्ष्य भाषा की डबिंग नहीं सुनता। | YouTube जापानी कैप्शन का अंग्रेज़ी अनुवाद "Wait a little." करता है। यदि जापानी कैप्शन में कोई नाम गलत सुना गया था, तो वही गलती अनुवाद में भी आ सकती है। |
एक वीडियो के कई अंग्रेज़ी टेक्स्ट क्यों हो सकते हैं
डबिंग ऑडियो है, कैप्शन का चौथा प्रकार नहीं। उसी काल्पनिक साक्षात्कार में अंग्रेज़ी आवाज़ देने वाला कलाकार "Give me a second." कह सकता है। ऊपर दिए गए दोनों अंग्रेज़ी उपशीर्षक अर्थ बताते हैं। किसी में भी बोले गए वे शब्द नहीं हैं। अर्थ समझने के लिए किसी भी उपशीर्षक का इस्तेमाल करें, सीधे उद्धरण के लिए डबिंग सुनें, और अनुवाद डेटासेट के लिए स्रोत टेक्स्ट तथा अनुवाद की विधि अलग से सहेजें।
मूल ऑडियो स्रोत प्रस्तुति है; डिफ़ॉल्ट प्लेबैक वह है जिसे प्लेयर चुनता है और यह दर्शक की पसंद के अनुसार बदल सकता है। कैप्शन की भाषा बदलने से ऑडियो नहीं बदलता। यह न मानें कि हर डबिंग के लिए मेल खाता ASR ट्रैक है: YouTube के अनुसार कई ऑडियो वाले वीडियो के स्वचालित कैप्शन डिफ़ॉल्ट भाषा में होते हैं, न कि हर डबिंग के लिए अलग प्रतिलेखन।
YouTube ट्रांसक्रिप्ट के फ़ॉर्मैट: TXT, SRT, VTT और JSON
| फ़ॉर्मैट | किस काम के लिए चुनें | क्या ध्यान रखें |
|---|---|---|
| सादा टेक्स्ट (TXT) | पढ़ना, नोट्स या सारांश | संपादित करना आसान है, लेकिन ट्रैक को साधारण टेक्स्ट में बदलने से हर पंक्ति का वीडियो से समय-संबंध खो जाता है, जब तक उसे अलग से न सहेजें। |
| SubRip (SRT) | समयबद्ध उपशीर्षकों को संपादकों और प्लेयर के बीच ले जाना | आरंभ और अंत के समय वाले क्रमांकित खंड। जब आकर्षक शैली से अधिक प्लेबैक ज़रूरी हो, तब उपयोगी। |
| WebVTT (VTT) | वेब प्लेयर के लिए कैप्शन | खंडों का समय सुरक्षित रखता है और लेखक ने दी हो तो स्थिति या आवाज़ के लेबल जैसी अतिरिक्त जानकारी भी रख सकता है। |
| JSON या JSON Lines (JSONL) | कई वीडियो में खोजना या डेटासेट बनाना | स्कीमा आप चुनते हैं। स्पष्ट करें कि समय सेकंड में है या मिलीसेकंड में और वह पूरे वीडियो का है या निर्यात की गई क्लिप का। |
यह काल्पनिक उदाहरण में अपलोडर का उपशीर्षक WebVTT में है। इसकी 1.9 सेकंड की अवधि बताती है कि खंड कब दिखाना है, न कि हर शब्द कब शुरू और खत्म होता है।
WEBVTT
00:01:04.200 --> 00:01:06.100
Please wait a moment.केवल टेक्स्ट वाली कॉपी में बस "Please wait a moment." लिखा हो सकता है। खोजने योग्य नोट "01:04 · Please wait a moment." के रूप में ज़्यादा उपयोगी है। यदि आप 01:00 से शुरू होने वाली क्लिप काटते हैं, तो उपशीर्षक उस क्लिप में 4.2 से 6.1 सेकंड पर होना चाहिए, 64.2 से 66.1 पर नहीं। मूल समय-सीमा सहेजें, ताकि संदर्भ फिर से बनाया जा सके।
YouTube ट्रांसक्रिप्ट डेटासेट कैसे बनाएं
हज़ारों ट्रैक इकट्ठा करने से पहले तय करें कि एक उदाहरण से क्या सिद्ध होना चाहिए। एक ही खंड एक डेटासेट के लिए उपयोगी और दूसरे के लिए गलत हो सकता है:
| डेटासेट का उद्देश्य | उपयोगी साक्ष्य | क्या अस्वीकार करें या अलग लेबल दें |
|---|---|---|
| खोज, सारांश या प्रश्नों के उत्तर | पढ़ने योग्य अंश, उसकी भाषा, वीडियो ID और उद्धरण के लिए समय-सीमा | अनुवादित अंश को वक्ता का शब्दशः उद्धरण न बताएं। सारांश को स्रोत टेक्स्ट से अलग रखें। |
| वाक् पहचान या शब्दों का समय से संरेखण | किसी निश्चित ऑडियो क्लिप के साथ वास्तव में उसमें सुनाई देने वाले शब्द | गलत डबिंग और दूसरे शब्दों में कही गई बातों को शब्दशः लेबल के रूप में अस्वीकार करें। बिना समीक्षा वाले ASR को मनुष्यों द्वारा जाँचे गए संदर्भों से अलग रखें। |
| वाणी या टेक्स्ट का अनुवाद | पहचानी गई स्रोत वाणी या टेक्स्ट और उसका संबंधित अनुवाद | जहाँ जानकारी हो, मानव और मशीनी अनुवाद में अंतर बनाए रखें। अलग-अलग भाषाओं में खंड बँट या जुड़ सकते हैं; ज़रूरी नहीं कि पंक्ति 12, पंक्ति 12 का ही अनुवाद हो। |
| वीडियो-टेक्स्ट या मल्टीमॉडल प्रशिक्षण | संबंधित फ़्रेम में दिखाई देने वाली चीज़ों का वर्णन करने वाला टेक्स्ट | वर्णन कैमरे के बाहर की किसी चीज़ या अगले चरण के बारे में हो सकता है। उदाहरण के लिए, HowTo100M ने प्रशिक्षण संकेत के रूप में निर्देशात्मक वर्णन का इस्तेमाल किया था, हर फ़्रेम के मनुष्यों द्वारा सत्यापित विवरण का नहीं। |
ऑडियो और कैप्शन की जोड़ी दर्ज करें
केवल वीडियो ID पर्याप्त नहीं है: उससे यह नहीं पता चलता कि आपने कौन-सा ऑडियो इस्तेमाल किया, कैप्शन का कौन-सा संस्करण प्राप्त किया या समीक्षक ने जोड़ी क्यों स्वीकार की। नीचे डेटासेट का एक उदाहरणात्मक रिकॉर्ड है, YouTube या FlashData API की प्रतिक्रिया नहीं:
{
"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
}आखिरी निर्णय ही मुख्य बात है: दोनों की भाषा अंग्रेज़ी है और खंड का समय भी सही है, फिर भी टेक्स्ट शब्दशः लेबल नहीं है। वास्तविक संग्रह के लिए उपलब्ध होने पर स्रोत या ट्रैक का पहचानकर्ता, प्राप्ति की तारीख, फ़ाइल या संस्करण का पहचानकर्ता और इच्छित उपयोग को अनुमति देने वाला लाइसेंस या स्वीकृति भी दर्ज करें। अज्ञात उत्पत्ति का अनुमान फ़ाइल के नाम से लगाने के बजाय उसे अज्ञात ही रहने दें।
उपयोग से पहले संग्रह जाँचें
- कवरेज मापें। गिनें कि कितने वीडियो आज़माए गए, कितनों में लक्ष्य भाषा का ट्रैक मिला और कितने आपकी गुणवत्ता नीति पर खरे उतरे। “योग्य कैप्शन नहीं हैं” को “प्राप्त नहीं कर सके” से अलग रखें। अन्यथा अस्थायी विफलता ऐसा दिखा सकती है जैसे किसी भाषा में कवरेज कम है।
- सुनें और नमूने जाँचें। अलग-अलग भाषाओं, कैप्शन स्रोतों और चैनलों की क्लिप की समीक्षा करें। जाँचें कि संख्याएँ, नाम, निषेध व्यक्त करने वाले शब्द, वक्ता में बदलाव और खंडों की सीमाएँ वास्तविक रिकॉर्डिंग से मेल खाती हैं। शब्दशः वाणी के लिए नमूने की तुलना स्वतंत्र रूप से प्रतिलेखित संदर्भ टेक्स्ट से करें। शब्द त्रुटि दर हर संदर्भ शब्द के अनुपात में प्रतिस्थापन, विलोपन और जोड़े गए शब्दों को गिनती है; यह अनुवाद की गुणवत्ता या समय की सटीकता का स्कोर नहीं है।
- स्रोत और समय का आधार सुरक्षित रखें। अनुमति होने पर साफ़ किए गए टेक्स्ट के साथ समयबद्ध ट्रैक भी रखें। खोज के लिए पंक्ति-विराम एकरूप करें, लेकिन दोहराए गए वाक्यांश बिना सोचे न हटाएं: “नहीं, नहीं” वास्तव में बोला गया हो सकता है। खंडों को क्लिप की अवधि से मिलाकर जाँचें और क्लिप काटने से आए समय के अंतर को ध्यान में रखें।
- विभाजन रिकॉर्डिंग के आधार पर करें, कैप्शन की पंक्ति के आधार पर नहीं। एक ही रिकॉर्डिंग की क्लिप, डबिंग और अनुवाद को प्रशिक्षण या परीक्षण के एक ही हिस्से में रखें। अन्यथा मॉडल प्रशिक्षण और मूल्यांकन दोनों में एक ही साक्षात्कार देख सकता है। शब्दशः सटीकता मापने के लिए बने मूल्यांकन सेट में असत्यापित जोड़ियाँ न रखें।
- संग्रह या प्रकाशन से पहले अधिकार जाँचें। सार्वजनिक रूप से देखा जा सकना, पुनर्वितरण या प्रशिक्षण की अनुमति नहीं है। इच्छित उपयोग की अनुमति देने वाला आधार दर्ज करें, व्यक्तिगत जानकारी की जाँच करें और सुधार या हटाने की योजना रखें। इस निर्णय को तकनीकी गुणवत्ता से अलग रखें।
FlashData से मौजूदा ट्रैक प्राप्त करें
जब आपके पास वीडियो ID हों और आपको पहले से मौजूद कैप्शन टेक्स्ट तथा समयबद्ध खंडों के रूप में चाहिए हों, तब यह तरीका इस्तेमाल करें। यह बिना कैप्शन वाले वीडियो के लिए वाणी-से-टेक्स्ट नहीं बनाता। YouTube Transcript और YouTube Captions ट्रैक चुनने के एक ही नियम इस्तेमाल करते हैं। उनके डिफ़ॉल्ट अलग हैं: youtube_transcript स्वचालित स्रोतों की अनुमति देता है (auto: true); youtube_captions डिफ़ॉल्ट रूप से केवल अपलोडर के कैप्शन लेता है (auto: false)। language न देने पर दोनों का लक्ष्य अंग्रेज़ी होता है।
यहाँ requests इस्तेमाल करने वाला एक वीडियो का Python उदाहरण है। उदाहरण की कुंजी बदलें और ऐसे वीडियो की ID इस्तेमाल करें जिसे संसाधित करने की अनुमति आपके पास है। उपलब्धता वीडियो पर निर्भर करती है:
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']}")भाषा और कैप्शन का स्रोत चुनें
"en" जैसा भाषा कोड ऑडियो की भाषा से स्वतंत्र होकर अंग्रेज़ी माँगता है। इसके बजाय ऑडियो ट्रैक का अनुसरण करने के लिए चिह्नित मूल भाषा के लिए "original" या प्रोसेसिंग वर्कर के लिए चिह्नित प्लेबैक भाषा के लिए "default" इस्तेमाल करें; यह आपके ब्राउज़र की सेटिंग नहीं है। FlashData दोनों को उसी निष्कर्षण में मिली ऑडियो जानकारी से निर्धारित करता है।
स्पष्ट ट्रैक कोड अलग तरह से काम करता है: auto: true के साथ "en-orig" ठीक वही स्वचालित ट्रैक माँगता है, बिना किसी वैकल्पिक ट्रैक पर जाने के। -orig प्रत्यय yt-dlp की नामकरण परंपरा है, इसका प्रमाण नहीं कि मूल ऑडियो अंग्रेज़ी में था।
सामान्य भाषा कोड, "default" या "original" के लिए auto: true कैप्शन के स्रोत इस क्रम में आज़माता है; सभी लक्ष्य भाषा में होते हैं:
- उसी भाषा में वाक् पहचान (
youtube_asr): YouTube ने वाणी का प्रतिलेखन किया। - अपलोडर के कैप्शन (
uploader): टेक्स्ट चैनल ने उपलब्ध कराया। - अवर्गीकृत स्वचालित कैप्शन (
youtube_auto_unknown): साक्ष्य से ASR और अनुवाद में अंतर नहीं किया जा सकता। यह स्रोत के बारे में अनिश्चितता है, कैप्शन बनाने का चौथा तरीका नहीं। - YouTube का मशीनी अनुवाद (
youtube_translated): YouTube ने किसी दूसरे कैप्शन ट्रैक का अनुवाद किया।
auto: false होने पर केवल अपलोडर के कैप्शन योग्य होते हैं। साक्षात्कार वाले उदाहरण में मान लें कि प्लेबैक अंग्रेज़ी के रूप में चिह्नित है। अंग्रेज़ी में अपलोड किया गया कैप्शन और YouTube का अनुवाद मौजूद हैं, लेकिन अंग्रेज़ी ASR नहीं है। auto: true के साथ "default" माँगने पर captionSource: "uploader" और isAutoGenerated: false मिलते हैं।
एक से अधिक भाषाएँ माँगें
उसी वीडियो के लिए ["original", "en", "es"] जैसी ऐरे भेजें। इससे 1 से 10 अलग-अलग चयनकर्ताओं में से हर एक के लिए, एक ही auto नीति के साथ अनुरोध होता है; केवल पहली उपलब्ध भाषा नहीं माँगी जाती। एक आइटम वाली ऐरे भी एक ट्रैक के बजाय results[0].tracks और results[0].errors लौटाती है।
सफल ट्रैक अनुरोध के क्रम में रहते हैं। requestedLanguageCode मौजूद हो तो उससे ट्रैक का मिलान करें, अन्यथा languageCode से। त्रुटियाँ विफल चयनकर्ता की पहचान languageCode से करती हैं। दूसरी भाषा विफल होने पर सफल परिणाम सहेजें। कोई भी सफल न हो तो अनुरोध-स्तर की त्रुटि सँभालें।
गायब ट्रैक और प्राप्ति की विफलता में अंतर करें
मूल भाषा की पुष्टि न होना (youtube_original_language_unknown), मूल भाषा ज्ञात होने पर भी योग्य कैप्शन न मिलने (youtube_original_subtitles_unavailable) से अलग है। डिफ़ॉल्ट प्लेबैक के लिए संबंधित त्रुटियाँ youtube_default_language_unknown और youtube_default_subtitles_unavailable हैं।
यदि अनुवादित कैप्शन देते समय YouTube HTTP 429 लौटाए और माँगा गया कोई ट्रैक सफल न हो, तो FlashData का रीयलटाइम API youtube_subtitle_retrieval_failed के साथ HTTP 502 बता सकता है। आंशिक सफलता होने पर विफल चयनकर्ता में इसके बजाय errors[].code: "retrieval_failed" हो सकता है। केवल 502 से यह निष्कर्ष नहीं निकलता कि YouTube पर 429 आया था। FlashData के अपने अनुरोध दर सीमक का 429, YouTube के 429 से अलग है।
YouTube Download API, audio_language के ज़रिए ऑडियो अलग से चुनता है और किसी दूसरे ट्रैक पर जा सकता है; दोनों API से "original" माँगने से संरेखण की पुष्टि नहीं होती। परिणाम सहेजने के लिए टाइमस्टैम्प वाले कैप्शन की कार्यविधि और वीडियो ID की सूची संसाधित करने के लिए Bulk फ़ाइल गाइड देखें।
YouTube ट्रांसक्रिप्ट के अक्सर पूछे जाने वाले प्रश्न
क्या वीडियो डाउनलोड किए बिना YouTube ट्रांसक्रिप्ट मुफ़्त में मिल सकता है?
हाँ, कैप्शन उपलब्ध होने पर YouTube के ट्रांसक्रिप्ट दिखाएं फ़ीचर से आप कोई टूल खरीदे या मीडिया डाउनलोड किए बिना वीडियो के पेज पर टेक्स्ट पढ़ सकते हैं। एक व्याख्यान या साक्षात्कार के लिए शुरुआत वहीं से करें।
जब वीडियो की तस्वीर में उपशीर्षक दिखते हैं तो ट्रांसक्रिप्ट क्यों नहीं है?
क्लोज़्ड कैप्शन बंद करें। यदि शब्द फिर भी दिखते हैं, तो वे तस्वीर में स्थायी रूप से जुड़े हो सकते हैं, किसी चुने जा सकने वाले टेक्स्ट ट्रैक का हिस्सा नहीं। वीडियो में प्रकाशित कैप्शन न भी हों, या स्वचालित कैप्शन अभी संसाधित हो रहे हों। अधिकृत सामग्री में यदि आपको वह चाहिए जो कहा गया था, तो ऑडियो का प्रतिलेखन करें; यदि स्क्रीन पर लिखे सटीक शब्द चाहिए, तो ऑप्टिकल कैरेक्टर रिकग्निशन (OCR) इस्तेमाल करें और परिणाम की समीक्षा करें। दोनों अलग हो सकते हैं।
ऑडियो दूसरी भाषा में हो तो क्या अंग्रेज़ी टेक्स्ट मिल सकता है?
अक्सर मिल सकता है, लेकिन हमेशा नहीं। पहले अंग्रेज़ी उपशीर्षक खोजें; सूची में न हों तो जाँचें कि प्लेयर में अपने-आप अनुवाद करें विकल्प है या नहीं। यह उपलब्ध कैप्शन का अनुवाद करता है। इससे अंग्रेज़ी ऑडियो नहीं बनता और न ही यह पुष्टि होती है कि अंग्रेज़ी डबिंग में वही शब्द इस्तेमाल हुए थे।
क्या “अपने-आप जनरेट किया गया” का अर्थ “मशीनी अनुवाद” है?
नहीं। वाक् पहचान वाणी को उसी भाषा में लिखित रूप देती है। मशीनी अनुवाद टेक्स्ट को एक भाषा से दूसरी में बदलता है। दोनों प्रक्रियाएँ स्वचालित हो सकती हैं और अनुवाद की शुरुआत अपूर्ण वाक् पहचान से हो सकती है। जब उत्पत्ति न बताई गई हो, तो उसे अज्ञात चिह्नित करें।
YouTube के अपने-आप अनुवादित कैप्शन के लिए yt-dlp HTTP 429 क्यों दिखाता है?
वीडियो में अनुवाद सूचीबद्ध हो सकता है, भले ही YouTube उसके टेक्स्ट का अनुरोध HTTP 429 (Too Many Requests) के साथ अस्वीकार कर दे। yt-dlp की समस्या #13831 में रखरखावकर्ता की पिन की गई व्याख्या YouTube के अपने-आप अनुवादित कैप्शन को प्रभावित मामला बताती है। अपलोडर के दिए ट्रैक और मूल भाषा के ASR पर उस विशेष समस्या का असर नहीं था। इसका अर्थ यह नहीं कि सभी अनुवाद विफल होते हैं या अन्य कैप्शन अनुरोधों पर कभी दर सीमा लागू नहीं हो सकती।
यदि आपको केवल पढ़ने योग्य टेक्स्ट चाहिए, तो अपनी लक्ष्य भाषा में अपलोडर का मौजूदा ट्रैक या उसी भाषा की वाणी से बना ASR ट्रैक खोजें। यदि विशेष रूप से YouTube का अनुवाद चाहिए, तो सफल ट्रैक सहेजें और केवल विफल अनुवाद को बाद के लिए टालें। प्रतिक्रिया में Retry-After हो तो उसका पालन करें; अन्यथा प्रयासों के बीच अंतराल बढ़ाएं, पुनः प्रयास सीमित रखें और पूरे संग्रह को एक साथ फिर से आज़माने से बचें। परिणाम प्राप्ति विफल दर्ज करें, कैप्शन नहीं हैं नहीं। जापानी ट्रैक सफलतापूर्वक मिलना अंग्रेज़ी के अनुरोध को पूरा नहीं करता।
टाइमस्टैम्प के बिना केवल टेक्स्ट कैसे प्राप्त करें?
कैप्शन फ़ाइल का सादा टेक्स्ट संस्करण निर्यात करें या उसके खंडों का टेक्स्ट क्रम से जोड़ें। यदि बाद में किसी पंक्ति का उद्धरण देना हो, क्लिप बनानी हो या गलती सुधारनी हो सकती है, तो समयबद्ध मूल फ़ाइल रखें। टाइमस्टैम्प हटाना आसान है; किसी पैराग्राफ़ से सटीक समय फिर प्राप्त करना संरेखण का अलग काम है।
क्या YouTube Shorts और लाइवस्ट्रीम के ट्रांसक्रिप्ट उपलब्ध हैं?
YouTube योग्य Shorts और लंबे वीडियो, दोनों के लिए स्वचालित कैप्शन का समर्थन करता है, लेकिन उपलब्धता की गारंटी नहीं है। लाइव कैप्शन और संग्रहित वीडियो के कैप्शन आवश्यक नहीं कि एक जैसे हों: YouTube के अनुसार ऑन-डिमांड संस्करण के लिए नए स्वचालित कैप्शन बनाए जाते हैं। दोबारा तैयार किए जा सकने वाले डेटासेट के लिए दर्ज करें कि आपने कौन-सा संस्करण कब इस्तेमाल किया।
क्या आधिकारिक YouTube Data API किसी भी सार्वजनिक वीडियो का ट्रांसक्रिप्ट लौटाता है?
नहीं। Google का OAuth से अधिकृत captions.list ट्रैक का मेटाडेटा लौटाता है, वास्तविक शब्द नहीं। captions.download ट्रैक प्राप्त करता है और उसके लिए वीडियो संपादित करने की अनुमति चाहिए। दर्शक के रूप में ट्रांसक्रिप्ट पढ़ सकना, उस API की अनुमति होने के समान नहीं है।
क्या वक्ताओं के नाम और हर शब्द के टाइमस्टैम्प शामिल होते हैं?
भरोसेमंद रूप से नहीं। एक खंड में पूरा वाक्यांश हो सकता है और ट्रैक वक्ता का लेबल दे सकता है, किसी ध्वनि को चिह्नित कर सकता है या दोनों में से कुछ भी नहीं कर सकता। यदि जानना हो कि कौन कब बोला, तो एनोटेशन करें या वक्ता-आधारित समय विभाजन चलाकर उसकी पुष्टि करें। हर शब्द कब बोला गया, यह चाहिए तो वास्तविक रिकॉर्डिंग के साथ शब्दों का संरेखण करें; खंड की अवधि उसके शब्दों में बराबर न बाँटें।
क्या YouTube ट्रांसक्रिप्ट उद्धरण देने के लिए पर्याप्त सटीक हैं?
समय खोजने के लिए ट्रांसक्रिप्ट और उद्धरण जाँचने के लिए रिकॉर्डिंग इस्तेमाल करें। यदि किसी जापानी वक्ता को अंग्रेज़ी में उद्धृत किया जाए, तो बताएं कि शब्द आपका अनुवाद हैं, अपलोडर का उपशीर्षक हैं या डबिंग के हैं। सहज वाक्य इस बात का प्रमाण नहीं कि किसी विशेष वक्ता ने ठीक वही शब्द इस्तेमाल किए थे।
क्या सार्वजनिक YouTube ट्रांसक्रिप्ट से मॉडल प्रशिक्षित किया जा सकता है या उन्हें डेटासेट के रूप में साझा किया जा सकता है?
दोबारा प्राप्त करने पर ट्रांसक्रिप्ट अलग क्यों होता है?
वीडियो, ऑडियो की भाषा, कैप्शन की भाषा और ट्रैक का स्रोत जाँचें। हो सकता है आप दो ट्रैक की तुलना कर रहे हों। एक ही वीडियो भी बदल सकता है: क्रिएटर टेक्स्ट या समय में बदलाव करके संशोधित कैप्शन ट्रैक प्रकाशित कर सकता है। अनुमति होने पर प्राप्ति की तारीख और संस्करण या कंटेंट हैश रखें, ताकि संपादन और अपनी चयन नीति में बदलाव के बीच अंतर कर सकें।