Przejdź do treści
PL
Uzyskaj klucz API
Przeglądaj dokumentację

Poradniki

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

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.

Na tej stronie

Jak uzyskać transkrypcję z YouTube bez pobierania filmu

  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.
Źródła

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.

Źródła

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:

Transkrypcja lokalnego nagrania za pomocą 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

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.

Źródło

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.

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.

Źródła

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 napisówJak powstał tekstPrzykład: 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.
Źródła

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.

Źródła

Formaty transkrypcji YouTube: TXT, SRT, VTT i JSON

FormatZastosowanieO czym pamiętać
Zwykły tekst (TXT)Czytanie, notatki lub podsumowanieŁatwy 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 odtwarzaczamiPonumerowane segmenty z czasem rozpoczęcia i zakończenia. Przydatne, gdy ważniejsze jest odtwarzanie niż rozbudowane formatowanie.
WebVTT (VTT)Napisy do odtwarzacza internetowegoZachowuje 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 danychSamodzielnie 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.

Segment WebVTT z czasem wyświetlania
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.

Źródła

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 danychPrzydatny materiał źródłowyCo odrzucić lub oznaczyć osobno
Wyszukiwanie, podsumowania lub odpowiadanie na pytaniaCzytelny fragment, jego język, identyfikator filmu i zakres czasu, do którego można się odwołaćNie przedstawiaj przetłumaczonego fragmentu jako dosłownego cytatu z wypowiedzi rozmówcy. Przechowuj podsumowania oddzielnie od tekstu źródłowego.
Rozpoznawanie mowy lub wyrównywanie słów do nagraniaKonkretny klip audio połączony ze słowami, które rzeczywiście w nim słychaćNie używaj niewłaściwych wersji dubbingu ani parafraz jako dosłownych etykiet. Oddziel niesprawdzone wyniki ASR od materiałów referencyjnych zweryfikowanych przez człowieka.
Tłumaczenie mowy lub tekstuZidentyfikowana wypowiedź lub tekst źródłowy oraz odpowiadające im tłumaczenieZachowaj 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 multimodalnyTekst opisujący to, co widać w odpowiednich klatkach filmuNarracja 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.
Źródło

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
{
  "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.

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.
Źródła

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.

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
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']}")

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.

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.

Źródło

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.

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.

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.

Najczęstsze pytania o transkrypcje YouTube

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.

Źródło

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.

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.

Źródło

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.

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.

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.

Źródła

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.

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.

Źródło

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.

Źródła

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.

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.

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.

Źródło

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.

Źródło
Markdown