# Transkrypcje i napisy YouTube: od jednego filmu do zbioru danych treningowych

Dowiedz się, jak uzyskać transkrypcję z YouTube, odróżnić napisy od twórcy od napisów automatycznych i tłumaczonych oraz dopasować tekst do dźwięku na potrzeby zbiorów danych treningowych.

Odniesienie kanoniczne: https://flashdata.dev/pl/docs/guides/youtube-transcripts-and-captions
FlashData · Data weryfikacji źródeł: 2026-11-19

Otwórz opis filmu i wybierz **Pokaż transkrypcję**. Jeśli napisy są dostępne, możesz przeczytać tekst i przejść do momentu, w którym został wypowiedziany. Nie potrzebujesz API ani pobierania filmu.

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

## Jak uzyskać transkrypcję z YouTube bez pobierania filmu


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

1. **Znajdź fragment.** Na stronie odtwarzania rozwiń opis i wybierz **Pokaż transkrypcję**. Wybierz wiersz, aby odtworzyć odpowiedni moment filmu.
2. **Sprawdź język.** Menu **Napisy/CC** w odtwarzaczu steruje tekstem. Opcja **Ścieżka dźwiękowa**, jeśli jest dostępna, steruje tym, co słyszysz. Zmiana ścieżki dźwiękowej nie gwarantuje, że transkrypcja zmieni się razem z nią.
3. **Zweryfikuj cytat.** Skopiuj fragment, jeśli można zaznaczyć tekst, albo zanotuj słowa i znacznik czasu. Odtwórz dany fragment ponownie, aby sprawdzić nazwy, liczby i słowa takie jak „nie”, które mogą odwrócić znaczenie.

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

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

### Zapisz napisy do filmu, którym zarządzasz


W **YouTube Studio → Napisy** wybierz film, a następnie **Edytuj** obok wybranego języka. W sekcji **Opcje** wybierz **Pobierz napisy**. Zachowaj plik z czasami wyświetlania; kopię w postaci zwykłego tekstu możesz wyeksportować później.

Jeśli nie ma jeszcze ścieżki napisów, a masz scenariusz w języku nagrania, Studio może zsynchronizować go z dźwiękiem.

- [Pobieranie i edytowanie napisów](https://support.google.com/youtube/answer/2734705?hl=en)
- [Dodawanie napisów i synchronizacja scenariusza](https://support.google.com/youtube/answer/2734796?hl=en)

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

### Gdy nie ma ścieżki napisów


Pobieranie napisów polega na odczytaniu istniejącego tekstu. Transkrypcja tworzy nowy tekst na podstawie dźwięku. W przypadku nagrania, które należy do Ciebie lub które masz prawo przetwarzać, użyj narzędzia do zamiany mowy na tekst w trybie **transkrypcji**, aby zachować język wypowiedzi. Tłumaczenie to osobny krok. Jeśli nie masz ani napisów, ani pozwolenia na dostęp do dźwięku, poproś wydawcę o transkrypcję.

Na przykład aby lokalnie transkrybować własny wywiad po angielsku, najpierw wybierz właściwy strumień audio. Po zainstalowaniu FFmpeg, `whisper-cli` z instrukcji szybkiego startu whisper.cpp i angielskiego modelu `base.en` poniższe polecenia utworzą zarówno `interview.txt`, jak i `interview.srt`:

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

**Transkrypcja lokalnego nagrania za pomocą whisper.cpp**

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

Tutaj `0:a:0` wybiera **pierwszy strumień audio**, niekoniecznie w języku oryginału. Najpierw go odsłuchaj. W przypadku mowy japońskiej wybierz na przykład strumień japoński, użyj modelu wielojęzycznego `ggml-base.bin` i ustaw `-l ja`. Porównaj wynik z nagraniem. Ten tekst powstał w wyniku **Twojego** procesu transkrypcji; nie jest ścieżką napisów dostarczoną przez YouTube.

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

## Napisy i transkrypcje: znaczenie pojęć


**Ścieżka napisów** to sekwencja segmentów: fragmentów tekstu z informacją o czasie wyświetlania. Napisy zamknięte można włączać i wyłączać. Napisy dostępnościowe przekazują nie tylko mowę, lecz także istotne dźwięki: zmianę rozmówcy, pukanie do drzwi czy alarm, na który ktoś reaguje. Termin **napisy w znaczeniu angielskiego „subtitles”** często oznacza przetłumaczone dialogi, ale w wielu krajach również napisy w języku wypowiedzi. Sama nazwa w menu nie mówi, kto opracował tekst ani czy jest on tłumaczeniem.

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

**Transkrypcja** przedstawia słowa w formie do czytania, ze znacznikami czasu lub bez nich. Panel transkrypcji YouTube to widok napisów do czytania, a nie druga, niezależna transkrypcja. **Podsumowanie** jest czymś jeszcze innym: może pomijać treści lub je parafrazować. Jeśli ktoś mówi „połóż to tutaj”, wskazując diagram, transkrypcja może zawierać dokładnie te słowa bez wyjaśnienia, gdzie. Transkrypcja opisowa uzupełnia brakujące informacje wizualne.

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

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

## Trzy rodzaje napisów w YouTube


Porównując transkrypcje, sklasyfikuj **ścieżkę napisów, którą rzeczywiście otrzymujesz**. Trzy typowe źródła to napisy dostarczone przez twórcę, automatyczna transkrypcja YouTube i automatyczne tłumaczenie YouTube. Dwa ostatnie procesy są zautomatyzowane, ale tylko jeden z nich słucha mowy.

| Źródło napisów | Jak powstał tekst | Przykład: wywiad po japońsku |
| --- | --- | --- |
| **Dostarczone przez twórcę (uploadera)** | Kanał dostarcza lub publikuje tekst. Może on zostać wpisany, przesłany albo opracowany na podstawie automatycznej wersji roboczej. Niekoniecznie jest napisany od zera lub wiernie oddaje każde słowo. | Twórca publikuje angielskie napisy o treści „Please wait a moment.”. To tłumaczenie, ale jego źródłem nadal jest **twórca**, a nie automatyczne tłumaczenie YouTube. |
| **Automatycznie wygenerowane przez YouTube (rozpoznawanie mowy, ASR)** | YouTube zamienia **mowę na tekst w tym samym języku**. Może błędnie rozpoznać wypowiedź; nie zachodzi tu tłumaczenie. | Gość mówi chotto matte. Ścieżka przedstawia te słowa po japońsku. |
| **Automatycznie przetłumaczone przez YouTube (tłumaczenie maszynowe)** | YouTube zamienia **istniejący tekst napisów na tekst w innym języku**. Źródło może pochodzić od uploadera lub być automatyczne. Proces nie słucha dubbingu w języku docelowym. | YouTube oddaje japoński napis po angielsku jako „Wait a little.”. Jeśli w japońskich napisach błędnie rozpoznano nazwisko, tłumaczenie może odziedziczyć ten błąd. |

- [YouTube Studio: Edytowanie napisów](https://support.google.com/youtube/answer/2734705?hl=en)
- [YouTube: Automatyczne napisy](https://support.google.com/youtube/answer/6373554?hl=en)
- [YouTube: Tłumaczenie napisów](https://developers.google.com/youtube/data/reference/rest/v3/captions/download)

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

### Dlaczego jeden film może mieć kilka angielskich tekstów


**Dubbing to dźwięk, a nie czwarty rodzaj napisów**. W tym samym fikcyjnym wywiadzie angielski aktor dubbingowy może powiedzieć „Give me a second.”. Obie angielskie wersje napisów powyżej oddają sens wypowiedzi. Żadna nie zawiera jednak tych wypowiedzianych słów. Każdą z nich można wykorzystać do zrozumienia treści, ale aby zacytować dubbing dosłownie, trzeba go odsłuchać. Na potrzeby zbioru danych do tłumaczenia zachowaj osobno tekst źródłowy i metodę tłumaczenia.

Oryginalny dźwięk to pierwotne nagranie, a domyślne odtwarzanie to wybór odtwarzacza, który może zależeć od preferencji widza. Zmiana języka napisów nie przełącza dźwięku. Nie zakładaj, że każdy dubbing ma odpowiadającą mu ścieżkę ASR: YouTube opisuje automatyczne napisy do filmów z wieloma ścieżkami dźwiękowymi jako napisy w języku domyślnym, a nie osobną transkrypcję każdego dubbingu.

- [Preferowane języki dźwięku](https://support.google.com/youtube/answer/13339776?hl=en)
- [Automatyczne napisy YouTube](https://support.google.com/youtube/answer/6373554?hl=en)

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

## Formaty transkrypcji YouTube: TXT, SRT, VTT i JSON


| Format | Zastosowanie | O czym pamiętać |
| --- | --- | --- |
| Zwykły tekst (TXT) | Czytanie, notatki lub podsumowanie | Łatwy do edytowania, ale zamiana ścieżki na ciągły tekst usuwa powiązanie każdego wiersza z filmem, jeśli nie zachowasz go osobno. |
| SubRip (SRT) | Przenoszenie napisów z czasami wyświetlania między edytorami i odtwarzaczami | Ponumerowane segmenty z czasem rozpoczęcia i zakończenia. Przydatne, gdy ważniejsze jest odtwarzanie niż rozbudowane formatowanie. |
| WebVTT (VTT) | Napisy do odtwarzacza internetowego | Zachowuje czasy wyświetlania segmentów i może zawierać dodatkowe informacje, takie jak pozycja lub oznaczenia rozmówców, jeśli autor je podał. |
| JSON lub JSON Lines (JSONL) | Wyszukiwanie w wielu filmach lub budowanie zbiorów danych | Samodzielnie wybierasz schemat. Określ, czy czasy są podane w sekundach czy milisekundach oraz czy odnoszą się do całego filmu czy wyeksportowanego klipu. |

Oto fikcyjny napis od uploadera w formacie WebVTT. Przedział trwający 1,9 sekundy określa, **kiedy wyświetlać segment**, a nie kiedy zaczyna się i kończy każde słowo.

- [Format WebVTT](https://www.w3.org/TR/webvtt1/)
- [Formaty napisów obsługiwane przez YouTube](https://support.google.com/youtube/answer/2734698?hl=en)

**Segment WebVTT z czasem wyświetlania**

```vtt
WEBVTT

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

Kopia zawierająca sam tekst może po prostu brzmieć „Please wait a moment.”. Notatka do przeszukiwania jest użyteczniejsza w postaci „01:04 · Please wait a moment.”. Jeśli wycinasz klip zaczynający się w 01:00, napis powinien pojawić się **od 4,2 do 6,1 sekundy tego klipu**, a nie od 64,2 do 66,1. Zachowaj pierwotny zakres czasu, aby móc odtworzyć odniesienie do źródła.

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

## Jak zbudować zbiór danych z transkrypcjami YouTube


Zanim zbierzesz tysiące ścieżek, ustal, co ma wykazywać **pojedynczy przykład**. Ten sam segment może być przydatny w jednym zbiorze danych, a niewłaściwy w innym:

| Cel zbioru danych | Przydatny materiał źródłowy | Co odrzucić lub oznaczyć osobno |
| --- | --- | --- |
| Wyszukiwanie, podsumowania lub odpowiadanie na pytania | Czytelny fragment, jego język, identyfikator filmu i zakres czasu, do którego można się odwołać | Nie przedstawiaj przetłumaczonego fragmentu jako dosłownego cytatu z wypowiedzi rozmówcy. Przechowuj podsumowania oddzielnie od tekstu źródłowego. |
| Rozpoznawanie mowy lub wyrównywanie słów do nagrania | Konkretny klip audio połączony ze słowami, które rzeczywiście w nim słychać | Nie używaj niewłaściwych wersji dubbingu ani parafraz jako dosłownych etykiet. Oddziel niesprawdzone wyniki ASR od materiałów referencyjnych zweryfikowanych przez człowieka. |
| Tłumaczenie mowy lub tekstu | Zidentyfikowana wypowiedź lub tekst źródłowy oraz odpowiadające im tłumaczenie | Zachowaj rozróżnienie między tłumaczeniami ludzkimi i maszynowymi, jeśli ich pochodzenie jest znane. Segmenty mogą być dzielone lub łączone między językami; wiersz 12 nie musi być tłumaczeniem wiersza 12. |
| Trening na parach wideo–tekst lub trening multimodalny | Tekst opisujący to, co widać w odpowiednich klatkach filmu | Narracja może odnosić się do czegoś poza kadrem lub do następnego kroku. Na przykład HowTo100M wykorzystywał narrację instruktażową jako sygnał treningowy, a nie ręcznie zweryfikowane opisy każdej klatki. |

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

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

### Zapisz parę dźwięku i napisów


Sam identyfikator filmu nie wystarczy: nie mówi, którego dźwięku użyto, którą wersję napisów pobrano ani dlaczego osoba weryfikująca zaakceptowała daną parę. Poniżej znajduje się przykładowy rekord zbioru danych, a nie odpowiedź API YouTube ani FlashData:

**Manifest zbioru danych: segment napisów i odpowiadający mu dźwięk**

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

Właśnie ta ostatnia decyzja jest kluczowa: oba języki to angielski, a segment jest poprawnie umieszczony w czasie, ale tekst **nie jest** dosłowną etykietą. W rzeczywistym zbiorze zapisz też identyfikator źródła lub ścieżki, jeśli jest dostępny, datę pobrania, identyfikator pliku lub wersji oraz zgodę lub licencję obejmującą zamierzone zastosowanie. Nieznane pochodzenie pozostaw nieznanym, zamiast wnioskować o nim z nazwy pliku.

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

### Sprawdź zbiór przed użyciem


1. **Zmierz pokrycie.** Policz filmy, dla których podjęto próbę pobrania, filmy ze ścieżką w języku docelowym i filmy spełniające Twoje kryteria jakości. Oddziel „brak odpowiednich napisów” od „nie udało się pobrać”. W przeciwnym razie tymczasowa awaria będzie wyglądać jak słaba dostępność napisów w danym języku.
2. **Odsłuchuj i sprawdzaj próbki.** Przeglądaj klipy z różnych języków, źródeł napisów i kanałów. Sprawdź, czy liczby, nazwy, przeczenia, zmiany rozmówców i granice segmentów odpowiadają rzeczywistemu nagraniu. W przypadku dosłownego zapisu mowy porównaj próbkę z niezależnie sporządzoną transkrypcją referencyjną. Wskaźnik błędów słów zlicza zamiany, usunięcia i wstawienia w przeliczeniu na słowo tekstu referencyjnego; nie jest miarą jakości tłumaczenia ani zgodności czasowej.
3. **Zachowaj źródło i podstawę czasu.** Jeśli jest to dozwolone, przechowuj ścieżkę z czasami wyświetlania obok oczyszczonego tekstu. Ujednolicaj podziały wierszy na potrzeby wyszukiwania, ale nie usuwaj bez zastanowienia powtórzeń: „nie, nie” może być rzeczywistą wypowiedzią. Sprawdź segmenty względem długości klipu i uwzględnij ewentualne przesunięcie wynikające z przycięcia.
4. **Dziel według nagrań, nie wierszy napisów.** Umieszczaj klipy, dubbingi i tłumaczenia tego samego nagrania w tej samej części treningowej lub testowej. W przeciwnym razie model może zobaczyć ten sam wywiad podczas treningu i oceny. Nie włączaj niezweryfikowanych par do zbioru ewaluacyjnego służącego do pomiaru dokładności dosłownego zapisu.
5. **Sprawdź prawa przed zebraniem lub udostępnieniem danych.** Możliwość publicznego obejrzenia materiału nie oznacza zgody na jego dalsze rozpowszechnianie ani trening. Zapisz, co uprawnia Cię do zamierzonego użycia, sprawdź obecność danych osobowych i zaplanuj wprowadzanie poprawek lub usuwanie danych. Podejmuj tę decyzję niezależnie od oceny jakości technicznej.

- [Wskaźnik błędów słów](https://www.nist.gov/system/files/documents/2021/08/03/OpenASR20_EvalPlan_v1_5.pdf)
- [Rodzaje licencji YouTube](https://support.google.com/youtube/answer/2797468?hl=en)
- [Warunki korzystania z YouTube](https://www.youtube.com/static?template=terms)

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

## Pobieraj istniejące ścieżki za pomocą FlashData


Wybierz tę metodę, jeśli masz identyfikatory filmów i chcesz pobrać **istniejące** napisy jako tekst i segmenty z czasami wyświetlania. Nie tworzy ona transkrypcji mowy dla filmu bez napisów. YouTube Transcript i YouTube Captions stosują te same zasady wyboru ścieżki. Różnią się ustawieniami domyślnymi: `youtube_transcript` dopuszcza źródła automatyczne (`auto: true`), a `youtube_captions` domyślnie wybiera tylko napisy od uploadera (`auto: false`). Obie usługi wybierają **angielski**, gdy pominięto `language`.

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

Oto przykład w Pythonie dla jednego filmu z użyciem `requests`. Zastąp przykładowy klucz własnym i użyj identyfikatora filmu, który masz prawo przetwarzać. Dostępność zależy od filmu:

**Pobierz istniejącą transkrypcję za pomocą Pythona**

```python
import requests

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

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

### Wybierz język i źródło napisów


Kod języka taki jak `"en"` oznacza żądanie angielskiego niezależnie od dźwięku. Aby zamiast tego dopasować wybór do ścieżki dźwiękowej, użyj `"original"` dla języka oznaczonego jako oryginalny lub `"default"` dla języka odtwarzania oznaczonego dla workera, a nie dla ustawienia Twojej przeglądarki. FlashData ustala oba na podstawie informacji o dźwięku z tej samej ekstrakcji.

Jawny kod ścieżki działa inaczej: `"en-orig"` z `auto: true` żąda dokładnie tej automatycznej ścieżki, bez wyboru zastępczej. Przyrostek `-orig` jest konwencją nazewniczą yt-dlp, a nie dowodem na to, że oryginalny dźwięk był po angielsku.

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

W przypadku zwykłego kodu języka, `"default"` lub `"original"` ustawienie `auto: true` sprawdza źródła napisów w następującej kolejności, zawsze w języku docelowym:

1. **Rozpoznawanie mowy w tym samym języku** (`youtube_asr`): YouTube sporządził transkrypcję mowy.
2. **Napisy od uploadera** (`uploader`): kanał dostarczył tekst.
3. **Niesklasyfikowane napisy automatyczne** (`youtube_auto_unknown`): dostępne dane nie pozwalają odróżnić ASR od tłumaczenia. To niepewność co do źródła, a nie czwarty sposób tworzenia napisów.
4. **Tłumaczenie maszynowe YouTube** (`youtube_translated`): YouTube przetłumaczył inną ścieżkę napisów.

Przy `auto: false` kwalifikują się wyłącznie napisy od uploadera. Załóżmy, że w przykładzie z wywiadem angielski jest oznaczony jako język odtwarzania. Są angielskie napisy od uploadera i tłumaczenie YouTube, ale nie ma angielskiej ścieżki ASR. Żądanie `"default"` z `auto: true` zwraca `captionSource: "uploader"` i `isAutoGenerated: false`.

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

### Poproś o więcej niż jeden język


Wyślij dla tego samego filmu tablicę taką jak `["original", "en", "es"]`. Oznacza to żądanie każdego z 1–10 różnych selektorów przy jednej regule `auto`, a nie pierwszego dostępnego języka. Nawet tablica z jednym elementem zwraca `results[0].tracks` i `results[0].errors` zamiast pojedynczej ścieżki.

Pomyślnie pobrane ścieżki zachowują kolejność żądania. Dopasowuj ścieżkę według `requestedLanguageCode`, jeśli to pole jest obecne, a w przeciwnym razie według `languageCode`. Błędy wskazują selektor, który się nie powiódł, za pomocą `languageCode`. Zachowaj udane wyniki, gdy pobranie innego języka się nie powiedzie. Jeśli nie uda się pobrać żadnego, obsłuż błąd na poziomie całego żądania.

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

### Odróżniaj brak ścieżki od nieudanego pobrania


Niepotwierdzony język oryginału (`youtube_original_language_unknown`) to co innego niż znany język oryginału bez odpowiednich napisów (`youtube_original_subtitles_unavailable`). Dla domyślnego odtwarzania odpowiadają im błędy `youtube_default_language_unknown` i `youtube_default_subtitles_unavailable`.

Jeśli YouTube zwróci HTTP 429 podczas udostępniania tłumaczonych napisów i nie uda się pobrać żadnej żądanej ścieżki, API czasu rzeczywistego FlashData może zwrócić **HTTP 502** z `youtube_subtitle_retrieval_failed`. Przy częściowym powodzeniu nieudany selektor może zamiast tego otrzymać `errors[].code: "retrieval_failed"`. Sam kod 502 nie dowodzi wystąpienia 429 po stronie YouTube. Kod 429 z własnego ogranicznika żądań FlashData jest czymś odrębnym od 429 w YouTube.

- [HTTP 429 przy tłumaczonych napisach](https://flashdata.dev/pl/docs/guides/youtube-transcripts-and-captions/reference.md#why-does-yt-dlp-report-http-429-for-youtube-auto-translated-captions)

YouTube Download API wybiera dźwięk osobno przez `audio_language` i może użyć innej ścieżki w zastępstwie; żądanie `"original"` w obu API nie potwierdza dopasowania dźwięku i tekstu. Sposób zapisywania wyników znajdziesz w przepisie na napisy ze znacznikami czasu, a przetwarzanie listy identyfikatorów filmów opisuje przewodnik po plikach zbiorczych.

- [YouTube Download API](https://flashdata.dev/pl/docs/sources/youtube_download/reference.md)
- [Przepis na napisy ze znacznikami czasu](https://flashdata.dev/pl/docs/guides/timestamped-captions-recipe/reference.md)
- [Przewodnik po plikach zbiorczych](https://flashdata.dev/pl/docs/guides/bulk/reference.md)

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

## Najczęstsze pytania o transkrypcje YouTube


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

### Czy mogę bezpłatnie uzyskać transkrypcję z YouTube bez pobierania filmu?


Tak. Jeśli napisy są dostępne, funkcja YouTube **Pokaż transkrypcję** pozwala przeczytać tekst na stronie odtwarzania bez kupowania narzędzia ani pobierania multimediów. W przypadku pojedynczego wykładu lub wywiadu zacznij właśnie od niej.

- [Wyświetlanie transkrypcji filmów](https://support.google.com/youtube/answer/15930243?hl=en)

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

### Dlaczego nie ma transkrypcji, skoro widzę napisy w obrazie?


Wyłącz napisy zamknięte. Jeśli słowa pozostaną, mogą być wtopione w obraz: stanowić jego część zamiast wybieralnej ścieżki tekstowej. Film może też nie mieć opublikowanych napisów albo napisy automatyczne mogą być nadal przetwarzane. W przypadku materiału, który masz prawo przetwarzać, transkrybuj dźwięk, jeśli potrzebujesz tego, co zostało **powiedziane**, albo użyj optycznego rozpoznawania znaków (OCR) i zweryfikuj wynik, jeśli potrzebujesz dokładnych słów **widocznych na ekranie**. Te treści mogą się różnić.

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

### Czy mogę uzyskać angielski tekst, jeśli dźwięk jest w innym języku?


Często tak, ale nie zawsze. Najpierw poszukaj angielskich napisów; jeśli nie ma ich na liście, sprawdź, czy odtwarzacz oferuje **Tłumaczenie automatyczne**. Ta funkcja tłumaczy dostępne napisy. Nie tworzy angielskiego dźwięku ani nie potwierdza, że w angielskim dubbingu użyto tych samych słów.

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

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

### Czy „wygenerowane automatycznie” oznacza „przetłumaczone maszynowo”?


Nie. Rozpoznawanie mowy zamienia wypowiedź na tekst w **tym samym języku**. Tłumaczenie maszynowe przenosi tekst z jednego języka na inny. Oba procesy mogą być automatyczne, a tłumaczenie może bazować na niedoskonałym rozpoznawaniu mowy. Jeśli pochodzenie nie jest ujawnione, oznacz je jako nieznane.

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

### Dlaczego yt-dlp zgłasza HTTP 429 dla automatycznie tłumaczonych napisów YouTube?


Film może mieć tłumaczenie na liście, nawet gdy YouTube odrzuca żądanie jego tekstu, zwracając **HTTP 429 (Too Many Requests)**. W zgłoszeniu yt-dlp #13831 przypięte wyjaśnienie opiekuna projektu wskazuje, że problem dotyczy **automatycznie tłumaczonych napisów YouTube**. Ścieżki od uploaderów i ASR w języku oryginału nie były objęte **tym konkretnym problemem**. Nie oznacza to, że wszystkie tłumaczenia zawodzą ani że inne żądania napisów nigdy nie podlegają ograniczeniom częstotliwości.

- [Zgłoszenie yt-dlp #13831: przypięte wyjaśnienie opiekuna](https://github.com/yt-dlp/yt-dlp/issues/13831#issuecomment-3712613129)

Jeśli potrzebujesz tylko czytelnego tekstu, sprawdź, czy istnieje ścieżka od uploadera lub ścieżka ASR uzyskana bezpośrednio z mowy **w języku docelowym**. Jeśli potrzebujesz konkretnie tłumaczenia YouTube, zachowaj pomyślnie pobrane ścieżki i odłóż na później tylko nieudane tłumaczenie. Przestrzegaj `Retry-After`, jeśli odpowiedź je zawiera; w przeciwnym razie wydłużaj odstępy, ogranicz liczbę ponowień i nie ponawiaj pobierania całego zbioru naraz. Zapisz wynik jako **pobieranie nie powiodło się**, a nie **brak napisów**. Pomyślne pobranie ścieżki japońskiej nie spełnia żądania dotyczącego angielskiego.

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

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

### Jak uzyskać sam tekst bez znaczników czasu?


Wyeksportuj plik napisów do zwykłego tekstu albo połącz teksty jego segmentów w odpowiedniej kolejności. Zachowaj oryginał z czasami wyświetlania, jeśli później możesz chcieć zacytować wiersz, wyciąć klipy lub poprawić błąd. Usunięcie znaczników czasu jest proste; odzyskanie dokładnych czasów z akapitu to osobne zadanie wyrównywania tekstu do nagrania.

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

### Czy transkrypcje są dostępne dla YouTube Shorts i transmisji na żywo?


YouTube obsługuje napisy automatyczne zarówno w kwalifikujących się Shorts, jak i w długich filmach, ale ich dostępność nie jest gwarantowana. Napisy na żywo i napisy archiwalnej wersji filmu nie muszą być takie same: YouTube informuje, że generuje nowe napisy automatyczne dla wersji na żądanie. Aby zbiór danych dało się odtworzyć, zapisz, której wersji użyto i kiedy.

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

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

### Czy oficjalne YouTube Data API zwraca transkrypcje dowolnego publicznego filmu?


Nie. Metoda Google `captions.list` z autoryzacją OAuth zwraca metadane ścieżki, a nie faktyczne słowa. `captions.download` pobiera ścieżkę i wymaga uprawnienia do edytowania filmu. Możliwość przeczytania transkrypcji jako widz nie oznacza posiadania tego uprawnienia API.

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

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

### Czy podawane są imiona i nazwiska rozmówców oraz znaczniki czasu dla każdego słowa?


Nie można na to liczyć. Segment może obejmować całą frazę, a ścieżka może oznaczać rozmówcę, opisywać dźwięk albo nie robić żadnej z tych rzeczy. Jeśli musisz wiedzieć, kto i kiedy mówił, dodaj adnotacje lub przeprowadź diaryzację mówców i zweryfikuj wynik. Jeśli potrzebujesz czasu wypowiedzenia każdego słowa, wyrównaj słowa do rzeczywistego nagrania; nie dziel czasu trwania segmentu po równo między słowa.

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

### Czy transkrypcje YouTube są wystarczająco dokładne, aby je cytować?


Użyj transkrypcji do znalezienia właściwego momentu, a nagrania do sprawdzenia cytatu. Jeśli cytujesz japońskiego rozmówcę po angielsku, wyjaśnij, czy słowa pochodzą z Twojego tłumaczenia, napisów uploadera czy dubbingu. Płynne zdanie nie dowodzi, że konkretna osoba użyła dokładnie tych słów.

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

### Czy publiczne transkrypcje YouTube można wykorzystać do treningu modelu lub udostępnić jako zbiór danych?


Sam publiczny dostęp nie daje zgody na żadne z tych zastosowań. Ustal, co uprawnia do zbierania, treningu i ewentualnego dalszego rozpowszechniania tekstu lub multimediów; to osobne decyzje. Następnie oceń, czy etykiety pasują do zadania: nawet dozwolone angielskie tłumaczenie może być niewłaściwym tekstem referencyjnym dla rozpoznawania mowy angielskiej. Przewodnik YouTube po licencjach wyjaśnia różnicę między licencją standardową a Creative Commons Uznanie autorstwa.

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

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

### Dlaczego transkrypcja różni się przy ponownym pobraniu?


Sprawdź film, język dźwięku, język napisów i źródło ścieżki. Być może porównujesz dwie różne ścieżki. Nawet ten sam film może się zmienić: twórca może poprawić tekst lub czasy wyświetlania i opublikować zmienioną ścieżkę napisów. Jeśli jest to dozwolone, zachowaj datę pobrania oraz wersję lub skrót treści, aby odróżnić edycję od zmiany zasad wyboru.

- [YouTube: Edytowanie i usuwanie napisów](https://support.google.com/youtube/answer/2734705?hl=en)
