Salta al contenuto
IT
Ottieni la chiave API
Sfoglia la documentazione

Guide

Trascrizioni e sottotitoli YouTube: da un video a un dataset di addestramento

Apri la descrizione del video e scegli Mostra trascrizione. Se sono disponibili dei sottotitoli, puoi leggere le parole e passare al momento in cui sono state pronunciate. Non servono API né download.

In questa pagina

Come ottenere una trascrizione YouTube senza scaricare il video

  1. Trova il passaggio. Nella pagina di riproduzione, espandi la descrizione e seleziona Mostra trascrizione. Seleziona una riga per riprodurre quel momento.
  2. Controlla la lingua. Il menu Sottotitoli/CC del player controlla il testo. L'opzione Traccia audio, quando presente, controlla ciò che ascolti. Cambiare l'audio non garantisce che cambi anche la trascrizione.
  3. Verifica una citazione. Copia il passaggio se è possibile selezionare il testo, oppure annota le parole e il riferimento temporale. Riascolta la frase per controllare nomi, numeri e parole come “non”, che possono capovolgere il significato.
Fonti

Salvare i sottotitoli di un video che gestisci

In YouTube Studio → Sottotitoli, scegli il video e seleziona Modifica accanto alla lingua desiderata. In Opzioni, scegli Scarica sottotitoli. Conserva il file con i riferimenti temporali; potrai esportarne una copia in testo semplice in seguito.

Se non esiste ancora una traccia e hai un copione nella lingua parlata, Studio può sincronizzarlo con l'audio.

Fonti

Quando non c'è una traccia di sottotitoli

Recuperare i sottotitoli significa leggere un testo esistente. Trascrivere significa creare nuovo testo dall'audio. Per una registrazione di tua proprietà o che sei autorizzato a elaborare, usa uno strumento di riconoscimento vocale in modalità trascrizione per mantenere la lingua parlata. La traduzione è un passaggio separato. In assenza di sottotitoli e di accesso autorizzato all'audio, chiedi una trascrizione a chi ha pubblicato il video.

Ad esempio, per trascrivere in locale una tua intervista in inglese, seleziona prima il flusso audio corretto. Con FFmpeg, whisper-cli della guida introduttiva di whisper.cpp e il relativo modello inglese base.en installati, i comandi seguenti producono sia interview.txt sia interview.srt:

Trascrivere una registrazione locale 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

Qui 0:a:0 seleziona il primo flusso audio, non necessariamente quello nella lingua originale. Ascoltalo prima. Per il parlato giapponese, ad esempio, seleziona il flusso giapponese, usa il modello multilingue ggml-base.bin e imposta -l ja. Confronta il risultato con la registrazione. Questo testo è stato creato dal tuo processo di trascrizione; non è una traccia di sottotitoli fornita da YouTube.

Fonte

Cosa sono i sottotitoli per l'accessibilità, i sottotitoli e le trascrizioni

Una traccia di sottotitoli è una sequenza di segmenti: un frammento di testo e il momento in cui deve apparire. I sottotitoli attivabili si possono mostrare e nascondere. I sottotitoli per l'accessibilità riportano i suoni significativi oltre al parlato: un cambio di interlocutore, qualcuno che bussa alla porta o un allarme a cui una persona reagisce. Sottotitoli indica spesso dialoghi tradotti, ma in molti paesi comprende anche quelli nella stessa lingua del parlato. La sola etichetta del menu non rivela chi abbia scritto le parole né se siano una traduzione.

Una trascrizione presenta le parole in forma leggibile, con o senza riferimenti temporali. Il pannello di trascrizione di YouTube è una vista di lettura dei sottotitoli, non una seconda trascrizione indipendente. Un riassunto è ancora diverso: può omettere elementi o parafrasare. Se una persona dice “mettilo qui” mentre indica un diagramma, la trascrizione può riportare esattamente quelle parole senza spiegare dove. Una trascrizione descrittiva aggiunge le informazioni visive mancanti.

Fonti

I tre tipi di sottotitoli YouTube

Quando confronti delle trascrizioni, classifica la traccia di sottotitoli che hai effettivamente ricevuto. Le tre fonti comuni sono i sottotitoli forniti dall'autore, la trascrizione automatica di YouTube e la traduzione automatica di YouTube. Le ultime due usano entrambe l'automazione, ma solo una ascolta il parlato.

Fonte dei sottotitoliCome è stato creato il testoEsempio: un'intervista in giapponese
Forniti dall'autore (uploader)Il canale fornisce o pubblica il testo. Può digitarlo, caricarlo o modificarlo a partire da una bozza automatica. Non è necessariamente scritto da zero né fedele parola per parola.L'autore pubblica sottotitoli inglesi che riportano “Please wait a moment.”. È una traduzione, ma la fonte resta l'autore, non la traduzione automatica di YouTube.
Generati automaticamente da YouTube (riconoscimento vocale, o ASR)YouTube trasforma il parlato in testo nella stessa lingua. Può capire male chi parla; non viene effettuata alcuna traduzione.La persona intervistata dice chotto matte. La traccia riporta quelle parole in giapponese.
Tradotti automaticamente da YouTube (traduzione automatica)YouTube converte il testo di sottotitoli esistenti in un'altra lingua. La fonte può essere fornita da chi ha caricato il video oppure essere automatica. Il sistema non ascolta un doppiaggio nella lingua di destinazione.YouTube traduce il sottotitolo giapponese in inglese come “Wait a little.”. Se il sottotitolo giapponese ha riconosciuto male un nome, la traduzione può ereditare quell'errore.
Fonti

Perché un video può avere più testi in inglese

Un doppiaggio è audio, non un quarto tipo di sottotitoli. Nella stessa intervista immaginaria, la voce del doppiaggio inglese potrebbe dire “Give me a second.”. Entrambi i sottotitoli inglesi riportati sopra trasmettono il significato. Nessuno dei due contiene quelle parole pronunciate. Usa l'uno o l'altro per capire, ascolta il doppiaggio per una citazione diretta e conserva separatamente il testo di origine e il metodo di traduzione per un dataset di traduzione.

L'audio originale è quello dell'interpretazione iniziale; la riproduzione predefinita è ciò che seleziona il player e può variare in base alle preferenze di chi guarda. Cambiare la lingua dei sottotitoli non cambia l'audio. Non dare per scontato che ogni doppiaggio abbia una traccia ASR corrispondente: YouTube descrive i sottotitoli automatici dei video con più tracce audio come sottotitoli nella lingua predefinita, non come una trascrizione per ogni doppiaggio.

Fonti

Formati delle trascrizioni YouTube: TXT, SRT, VTT e JSON

FormatoSceglilo perCosa tenere presente
Testo semplice (TXT)Lettura, appunti o riassuntiÈ facile da modificare, ma convertire la traccia in testo continuo elimina il collegamento tra ogni riga e il video, a meno che tu non lo conservi separatamente.
SubRip (SRT)Trasferire sottotitoli con riferimenti temporali tra editor e playerSegmenti numerati con tempi di inizio e fine. Utile quando conta la riproduzione più di una formattazione elaborata.
WebVTT (VTT)Sottotitoli per un player webConserva i tempi dei segmenti e può includere informazioni aggiuntive, come il posizionamento o le etichette delle voci, quando l'autore le ha fornite.
JSON o JSON Lines (JSONL)Ricercare in più video o creare datasetScegli tu lo schema. Specifica se i tempi sono espressi in secondi o millisecondi e se si riferiscono al video completo o a una clip esportata.

Ecco il sottotitolo immaginario fornito da chi ha caricato il video in formato WebVTT. I suoi 1,9 secondi indicano quando visualizzare il segmento, non l'inizio e la fine di ogni parola.

Un segmento WebVTT con riferimenti temporali
WEBVTT

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

Una copia di solo testo può riportare semplicemente “Please wait a moment.”. Un appunto ricercabile è più utile nella forma “01:04 · Please wait a moment.”. Se ritagli una clip che inizia a 01:00, il sottotitolo va collocato tra 4,2 e 6,1 secondi in quella clip, non tra 64,2 e 66,1. Conserva l'intervallo temporale originale per poter ricostruire il riferimento.

Fonti

Come creare un dataset di trascrizioni YouTube

Decidi cosa dovrebbe dimostrare un esempio prima di raccogliere migliaia di tracce. Lo stesso segmento può essere utilizzabile per un dataset e sbagliato per un altro:

Obiettivo del datasetElementi utiliCosa scartare o etichettare separatamente
Ricerca, riassunti o risposte a domandeUn passaggio leggibile, la sua lingua, un ID video e un intervallo temporale da citareNon presentare un passaggio tradotto come una citazione letterale di chi parla. Conserva i riassunti separatamente dal testo di origine.
Riconoscimento vocale o allineamento delle paroleUna clip audio specifica abbinata alle parole effettivamente udibili al suo internoScarta i doppiaggi non corrispondenti e le parafrasi come etichette di trascrizione letterale. Separa l'ASR non revisionato dai riferimenti verificati da persone.
Traduzione del parlato o del testoParlato o testo di origine identificato e la relativa traduzioneMantieni distinguibili le traduzioni umane e quelle automatiche quando l'origine è nota. I segmenti possono dividersi o unirsi tra le lingue; la riga 12 non deve necessariamente tradurre la riga 12.
Addestramento video-testo o multimodaleTesto che descrive ciò che appare nei fotogrammi pertinentiLa narrazione può riferirsi a qualcosa fuori campo o al passaggio successivo. Ad esempio, HowTo100M ha usato la narrazione di video didattici come segnale di addestramento, non descrizioni di ogni fotogramma verificate manualmente.
Fonte

Documentare la coppia audio e sottotitoli

Un ID video non basta: non indica quale audio hai usato, quale versione dei sottotitoli hai recuperato o perché una persona incaricata della revisione abbia accettato una coppia. Ecco un record esemplificativo di un dataset, non una risposta delle API di YouTube o FlashData:

Manifesto del dataset: un sottotitolo e il suo 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
}

È quest'ultima decisione il punto: sia l'audio sia i sottotitoli sono in inglese e il segmento è sincronizzato, ma il testo non è un'etichetta di trascrizione letterale. Per una raccolta reale, registra anche l'identificatore della fonte o della traccia, se disponibile, la data di recupero, l'identificatore del file o della versione e l'autorizzazione o la licenza che copre l'uso previsto. Lascia come sconosciuta una provenienza ignota invece di dedurla dal nome del file.

Verificare la raccolta prima di usarla

  1. Misura la copertura. Conta i video per cui hai tentato il recupero, quelli con una traccia nella lingua di destinazione e quelli che rispettano i tuoi criteri di qualità. Distingui “nessun sottotitolo idoneo” da “recupero non riuscito”. Altrimenti un errore temporaneo farà sembrare che una lingua abbia una copertura scarsa.
  2. Ascolta e controlla dei campioni. Esamina clip di lingue, fonti di sottotitoli e canali diversi. Verifica che numeri, nomi, negazioni, cambi di interlocutore e limiti dei segmenti corrispondano alla registrazione reale. Per il parlato riportato alla lettera, confronta un campione con un testo di riferimento trascritto indipendentemente. Il tasso di errore sulle parole conta sostituzioni, eliminazioni e inserimenti per parola di riferimento; non è un punteggio di qualità della traduzione né di sincronizzazione.
  3. Conserva la fonte e la base temporale. Mantieni la traccia con i riferimenti temporali insieme al testo ripulito quando è consentito. Normalizza le interruzioni di riga per la ricerca, ma non eliminare indiscriminatamente le frasi ripetute: “no, no” può essere parlato autentico. Verifica i segmenti rispetto alla durata della clip e tieni conto di qualsiasi scostamento dovuto al taglio.
  4. Suddividi per registrazione, non per riga di sottotitoli. Mantieni clip, doppiaggi e traduzioni della stessa registrazione nella stessa partizione, di addestramento o di test. Altrimenti un modello può vedere la stessa intervista durante l'addestramento e la valutazione. Escludi le coppie non verificate da un insieme di valutazione destinato a misurare l'accuratezza della trascrizione letterale.
  5. Verifica i diritti prima della raccolta o della pubblicazione. La visibilità pubblica non implica l'autorizzazione alla ridistribuzione o all'addestramento. Registra ciò che consente l'uso previsto, verifica la presenza di informazioni personali e pianifica correzioni o rimozioni. Tieni questa decisione separata dalla qualità tecnica.
Fonti

Recuperare tracce esistenti con FlashData

Usa questo metodo quando hai degli ID video e vuoi sottotitoli esistenti come testo e segmenti con riferimenti temporali. Non genera una trascrizione dall'audio di un video privo di sottotitoli. YouTube Transcript e YouTube Captions usano le stesse regole di selezione delle tracce. Le impostazioni predefinite sono diverse: youtube_transcript ammette fonti automatiche (auto: true); youtube_captions si limita per impostazione predefinita ai sottotitoli forniti da chi ha caricato il video (auto: false). Entrambi cercano l'inglese quando language viene omesso.

Ecco un esempio Python per un singolo video che usa requests. Sostituisci la chiave segnaposto e usa l'ID di un video che sei autorizzato a elaborare. La disponibilità dipende dal video:

Recuperare una trascrizione esistente 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']}")

Scegliere una lingua e una fonte di sottotitoli

Un codice lingua come "en" richiede l'inglese indipendentemente dall'audio. Per seguire invece una traccia audio, usa "original" per la lingua contrassegnata come originale o "default" per la lingua di riproduzione indicata per il worker, non per l'impostazione del tuo browser. FlashData determina entrambe dalle informazioni audio della stessa estrazione.

Un codice di traccia esplicito funziona diversamente: "en-orig" con auto: true richiede esattamente quella traccia automatica, senza ripiegare su altre. Il suffisso -orig è una convenzione di denominazione di yt-dlp, non una prova che l'audio originale fosse in inglese.

Per un normale codice lingua, "default" o "original", auto: true prova le fonti di sottotitoli in questo ordine, tutte nella lingua di destinazione:

  1. Riconoscimento vocale nella lingua parlata (youtube_asr): YouTube ha trascritto il parlato.
  2. Sottotitoli di chi ha caricato il video (uploader): il canale ha fornito il testo.
  3. Sottotitoli automatici non classificati (youtube_auto_unknown): gli elementi disponibili non distinguono l'ASR dalla traduzione. È un'incertezza sulla fonte, non un quarto modo di creare sottotitoli.
  4. Traduzione automatica di YouTube (youtube_translated): YouTube ha tradotto un'altra traccia di sottotitoli.

Con auto: false, sono idonei solo i sottotitoli di chi ha caricato il video. Nell'esempio dell'intervista, supponiamo che la riproduzione sia contrassegnata come inglese. Esistono una traccia caricata in inglese e una traduzione di YouTube, ma nessuna traccia ASR inglese. Richiedere "default" con auto: true restituisce captionSource: "uploader" e isAutoGenerated: false.

Fonte

Richiedere più lingue

Invia un array come ["original", "en", "es"] per lo stesso video. Questo richiede ciascuno dei selettori distinti, da 1 a 10, con un unico criterio auto, non la prima lingua disponibile. Anche un array con un solo elemento restituisce results[0].tracks e results[0].errors anziché una singola traccia.

Le tracce recuperate restano nell'ordine della richiesta. Identifica una traccia tramite requestedLanguageCode quando presente, altrimenti tramite languageCode. Gli errori identificano il selettore non riuscito tramite languageCode. Conserva i risultati riusciti quando un'altra lingua fallisce. Se nessuna riesce, gestisci l'errore a livello di richiesta.

Distinguere una traccia mancante da un recupero non riuscito

Una lingua originale non confermata (youtube_original_language_unknown) è diversa da una lingua originale nota senza sottotitoli idonei (youtube_original_subtitles_unavailable). Per la riproduzione predefinita, gli errori corrispondenti sono youtube_default_language_unknown e youtube_default_subtitles_unavailable.

Se YouTube restituisce HTTP 429 quando fornisce sottotitoli tradotti e nessuna traccia richiesta viene recuperata, l'API in tempo reale di FlashData può segnalare HTTP 502 con youtube_subtitle_retrieval_failed. In caso di successo parziale, il selettore non riuscito può invece avere errors[].code: "retrieval_failed". Un semplice 502 non permette di diagnosticare un 429 di YouTube. Un 429 del limitatore di richieste di FlashData è distinto da un 429 di YouTube.

L'API YouTube Download seleziona l'audio separatamente tramite audio_language e può ripiegare su un'altra traccia; richiedere "original" a entrambe le API non ne dimostra l'allineamento. Consulta la procedura per i sottotitoli con riferimenti temporali per salvare i risultati e la guida ai file Bulk per elaborare un elenco di ID video.

Domande frequenti sulle trascrizioni YouTube

Posso ottenere gratis una trascrizione YouTube senza scaricare il video?

Sì. Quando sono disponibili dei sottotitoli, la funzione Mostra trascrizione di YouTube permette di leggere il testo nella pagina di riproduzione senza acquistare uno strumento né scaricare contenuti multimediali. Per una singola lezione o intervista, inizia da lì.

Fonte

Perché non c'è una trascrizione se vedo i sottotitoli nell'immagine?

Disattiva i sottotitoli. Se le parole rimangono, potrebbero essere impresse nel video: fanno parte dell'immagine, non di una traccia di testo selezionabile. Un video può anche non avere sottotitoli pubblicati, oppure quelli automatici potrebbero essere ancora in elaborazione. Per materiale che sei autorizzato a elaborare, trascrivi l'audio se vuoi ciò che è stato detto, oppure usa il riconoscimento ottico dei caratteri (OCR) con revisione se ti servono le parole esatte scritte sullo schermo. Le due cose possono differire.

Posso ottenere testo in inglese se l'audio è in un'altra lingua?

Spesso sì, ma non sempre. Cerca prima i sottotitoli inglesi; se non ne sono elencati, verifica se il player offre Traduzione automatica. Questa funzione traduce i sottotitoli disponibili. Non crea audio inglese né dimostra che il doppiaggio inglese abbia usato le stesse parole.

Fonte

“Generato automaticamente” significa “tradotto automaticamente”?

No. Il riconoscimento vocale trasforma il parlato in testo nella stessa lingua. La traduzione automatica converte il testo da una lingua a un'altra. Entrambi i processi possono essere automatici e una traduzione può partire da un riconoscimento vocale imperfetto. Quando l'origine non è dichiarata, contrassegnala come sconosciuta.

Perché yt-dlp segnala HTTP 429 per i sottotitoli tradotti automaticamente da YouTube?

Un video può elencare una traduzione anche quando YouTube rifiuta la richiesta del relativo testo con HTTP 429 (Too Many Requests). Nella segnalazione #13831 di yt-dlp, la spiegazione fissata dal manutentore identifica i sottotitoli tradotti automaticamente da YouTube come il caso interessato. Le tracce fornite da chi ha caricato il video e l'ASR nella lingua originale non erano interessati da quel problema specifico. Questo non significa che tutte le traduzioni falliscano o che le altre richieste di sottotitoli non possano mai essere soggette a limiti di frequenza.

Se ti serve solo testo leggibile, cerca una traccia esistente fornita da chi ha caricato il video o prodotta dall'ASR nella lingua parlata nella tua lingua di destinazione. Se ti serve proprio la traduzione di YouTube, conserva le tracce recuperate e rimanda solo la traduzione non riuscita. Rispetta Retry-After quando la risposta lo include; altrimenti aumenta l'intervallo tra i tentativi, limita le ripetizioni ed evita di riprovare un'intera raccolta tutta insieme. Registra l'esito come recupero non riuscito, non come assenza di sottotitoli. Ricevere correttamente una traccia giapponese non soddisfa una richiesta di inglese.

Fonti

Come ottengo solo il testo, senza riferimenti temporali?

Esporta una versione in testo semplice di un file di sottotitoli, oppure unisci in ordine il testo dei suoi segmenti. Conserva l'originale con i riferimenti temporali se in seguito potresti citare una riga, creare clip o correggere un errore. Rimuovere i riferimenti temporali è facile; ricostruire tempi precisi da un paragrafo è un'attività di allineamento separata.

Le trascrizioni sono disponibili per YouTube Shorts e dirette streaming?

YouTube supporta i sottotitoli automatici sia per gli Shorts idonei sia per i video lunghi, ma la disponibilità non è garantita. I sottotitoli in diretta e quelli del video archiviato non sono necessariamente gli stessi: YouTube afferma di generare nuovi sottotitoli automatici per la versione on demand. Per un dataset riproducibile, registra quale versione hai usato e quando.

Fonte

L'API ufficiale YouTube Data restituisce trascrizioni per qualsiasi video pubblico?

No. captions.list di Google, con autorizzazione OAuth, restituisce i metadati delle tracce, non le parole effettive. captions.download recupera la traccia e richiede l'autorizzazione a modificare il video. Poter leggere una trascrizione come spettatore non equivale ad avere quell'autorizzazione API.

Fonti

Sono inclusi i nomi di chi parla e i riferimenti temporali parola per parola?

Non in modo affidabile. Un segmento può coprire un'intera frase e una traccia può identificare chi parla, segnalare un suono o non fare nessuna delle due cose. Se devi sapere chi ha parlato e quando, annota la registrazione o esegui una diarizzazione dei parlanti e verificala. Se devi sapere quando è stata pronunciata ogni parola, usa l'allineamento delle parole con la registrazione reale; non suddividere uniformemente la durata di un segmento tra le sue parole.

Le trascrizioni YouTube sono abbastanza accurate da poter essere citate?

Usa la trascrizione per trovare il momento; usa la registrazione per verificare la citazione. Se citi in inglese una persona che parla giapponese, specifica se le parole sono una tua traduzione, il sottotitolo di chi ha caricato il video o il doppiaggio. Una frase scorrevole non dimostra che una determinata persona abbia usato esattamente quelle parole.

Le trascrizioni pubbliche di YouTube si possono usare per addestrare un modello o condividere come dataset?

Il solo accesso pubblico non autorizza nessuno dei due usi. Stabilisci cosa consente la raccolta, l'addestramento e qualsiasi ridistribuzione del testo o dei contenuti multimediali; sono decisioni distinte. Poi decidi se le etichette sono adatte al compito: una traduzione inglese autorizzata può comunque essere il riferimento sbagliato per il riconoscimento vocale in inglese. La guida alle licenze di YouTube spiega la differenza tra la licenza standard e la Creative Commons Attribuzione.

Fonte

Perché una trascrizione cambia quando la recupero di nuovo?

Controlla il video, la lingua audio, la lingua dei sottotitoli e la fonte della traccia. Potresti stare confrontando due tracce. Anche lo stesso video può cambiare: un autore può modificare testo o tempi e pubblicare una traccia di sottotitoli revisionata. Conserva una data di recupero e una versione o un hash del contenuto quando consentito, così da distinguere una modifica del contenuto da un cambiamento dei tuoi criteri di selezione.

Fonte
Markdown