Pular para o conteúdo
PT
Obter chave API
Explorar documentação

Guias

Transcrições e legendas do YouTube: de um vídeo a um conjunto de dados de treinamento

Abra a descrição do vídeo e escolha Mostrar transcrição. Se houver legendas disponíveis, você poderá ler as palavras e ir até o momento em que foram ditas. Não é necessário usar uma API nem baixar nada.

Nesta página

Como obter uma transcrição do YouTube sem baixar o vídeo

  1. Encontre o trecho. Na página de reprodução, expanda a descrição e selecione Mostrar transcrição. Selecione uma linha para reproduzir aquele momento.
  2. Confira o idioma. O menu Legendas/CC do player controla o texto. A opção Faixa de áudio, quando disponível, controla o que você ouve. Trocar o áudio não garante que a transcrição também mude.
  3. Verifique uma citação. Copie o trecho quando for possível selecionar o texto ou anote as palavras e o horário. Ouça a frase novamente para conferir nomes, números e palavras como “não”, que podem inverter o sentido.
Fontes

Salvar legendas de um vídeo que você gerencia

Em YouTube Studio → Legendas, escolha o vídeo e selecione Editar ao lado do idioma desejado. Em Opções, escolha Fazer download das legendas. Guarde o arquivo com marcações de tempo; você poderá exportar uma cópia em texto simples depois.

Se ainda não houver uma faixa e você tiver um roteiro no idioma falado, o Studio poderá sincronizá-lo com o áudio.

Fontes

Quando não há uma faixa de legendas

Recuperar legendas é ler um texto existente. Transcrever é criar um novo texto a partir do áudio. Para uma gravação que seja sua ou que você tenha permissão para processar, use uma ferramenta de fala para texto no modo de transcrição para manter o idioma falado. A tradução é uma etapa separada. Sem legendas nem acesso autorizado ao áudio, peça uma transcrição a quem publicou o vídeo.

Por exemplo, para transcrever localmente uma entrevista sua em inglês, primeiro selecione o fluxo de áudio correto. Com o FFmpeg, o whisper-cli do guia de início rápido do whisper.cpp e seu modelo em inglês base.en instalados, os comandos a seguir geram tanto interview.txt quanto interview.srt:

Transcrever uma gravação local com 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

Aqui, 0:a:0 seleciona o primeiro fluxo de áudio, que não está necessariamente no idioma original. Ouça-o primeiro. Para fala em japonês, por exemplo, selecione o fluxo em japonês, use o modelo multilíngue ggml-base.bin e defina -l ja. Compare o resultado com a gravação. Esse texto foi criado pelo seu processo de transcrição; não é uma faixa de legendas fornecida pelo YouTube.

Fonte

O que são legendas de acessibilidade, legendas e transcrições

Uma faixa de legendas é uma sequência de segmentos: um trecho de texto e o momento em que deve aparecer. As legendas ocultas podem ser ativadas e desativadas. As legendas de acessibilidade transmitem sons relevantes além da fala: uma mudança de falante, uma batida na porta ou um alarme ao qual alguém reage. Legendas costuma se referir a diálogos traduzidos, mas, em muitos países, o termo também inclui legendas no mesmo idioma da fala. Só o nome da opção no menu não informa quem escreveu as palavras nem se elas são uma tradução.

Uma transcrição apresenta as palavras para leitura, com ou sem marcações de tempo. O painel de transcrição do YouTube é uma visualização das legendas para leitura, não uma segunda transcrição independente. Um resumo é outra coisa: pode omitir partes ou reformular o conteúdo. Se uma pessoa diz “coloque aqui” enquanto aponta para um diagrama, a transcrição pode trazer exatamente isso sem explicar onde. Uma transcrição descritiva acrescenta a informação visual que falta.

Fontes

Os três tipos de legendas do YouTube

Ao comparar transcrições, classifique a faixa de legendas que você realmente recebeu. As três fontes comuns são as legendas fornecidas pelo criador, a transcrição automática do YouTube e a tradução automática do YouTube. As duas últimas usam automação, mas só uma delas ouve a fala.

Fonte das legendasComo o texto foi produzidoExemplo: uma entrevista em japonês
Fornecidas pelo criador (uploader)O canal fornece ou publica o texto. Ele pode ser digitado, enviado em um arquivo ou editado a partir de um rascunho automático. Não é necessariamente escrito do zero nem reproduz a fala palavra por palavra.O criador publica legendas em inglês com o texto “Please wait a moment.”. Isso é uma tradução, mas sua fonte continua sendo o criador, não a tradução automática do YouTube.
Geradas automaticamente pelo YouTube (reconhecimento de fala, ou ASR)O YouTube transforma fala em texto no mesmo idioma. Ele pode entender errado o que a pessoa diz; não há tradução nesse processo.A pessoa entrevistada diz chotto matte. A faixa representa essas palavras em japonês.
Traduzidas automaticamente pelo YouTube (tradução automática)O YouTube transforma o texto de legendas existentes em outro idioma. A fonte pode ser fornecida por quem enviou o vídeo ou ser automática. Ele não ouve uma dublagem no idioma de destino.O YouTube traduz a legenda em japonês para o inglês como “Wait a little.”. Se a legenda em japonês reconheceu um nome incorretamente, a tradução pode herdar esse erro.
Fontes

Por que um vídeo pode ter vários textos em inglês

Uma dublagem é áudio, não um quarto tipo de legenda. Na mesma entrevista fictícia, a pessoa que faz a dublagem em inglês poderia dizer “Give me a second.”. As duas legendas em inglês acima transmitem o sentido. Nenhuma contém essas palavras faladas. Use qualquer uma delas para entender, ouça a dublagem para fazer uma citação direta e mantenha o texto de origem e o método de tradução separados em um conjunto de dados de tradução.

O áudio original corresponde à gravação de origem; a reprodução padrão é o que o player seleciona e pode variar conforme as preferências de quem assiste. Alterar o idioma das legendas não troca o áudio. Não presuma que toda dublagem tenha uma faixa ASR correspondente: o YouTube descreve as legendas automáticas de vídeos com vários áudios como estando no idioma padrão, não como uma transcrição para cada dublagem.

Fontes

Formatos de transcrição do YouTube: TXT, SRT, VTT e JSON

FormatoUse paraO que considerar
Texto simples (TXT)Leitura, anotações ou resumoÉ fácil de editar, mas converter a faixa em texto contínuo descarta o vínculo de cada linha com o vídeo, a menos que você o preserve separadamente.
SubRip (SRT)Transferir legendas com marcações de tempo entre editores e playersSegmentos numerados com tempos de início e fim. Útil quando a reprodução importa mais do que uma formatação visual elaborada.
WebVTT (VTT)Legendas para um player webPreserva os tempos dos segmentos e pode incluir informações extras, como posicionamento ou identificação de vozes, quando fornecidas pelo autor.
JSON ou JSON Lines (JSONL)Pesquisar em vários vídeos ou criar conjuntos de dadosVocê escolhe o esquema. Informe se os tempos estão em segundos ou milissegundos e se se referem ao vídeo completo ou a um clipe exportado.

Esta é a legenda fictícia fornecida por quem enviou o vídeo no formato WebVTT. Seus 1,9 segundos indicam quando exibir o segmento, não o início e o fim de cada palavra.

Um segmento WebVTT com marcações de tempo
WEBVTT

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

Uma cópia somente de texto pode simplesmente dizer “Please wait a moment.”. Uma anotação pesquisável é mais útil no formato “01:04 · Please wait a moment.”. Se você recortar um clipe que começa em 01:00, a legenda deve ficar entre 4,2 e 6,1 segundos nesse clipe, não entre 64,2 e 66,1. Guarde o intervalo original para poder reconstruir a referência.

Fontes

Como criar um conjunto de dados de transcrições do YouTube

Defina o que um exemplo deve demonstrar antes de coletar milhares de faixas. O mesmo segmento pode servir para um conjunto de dados e ser inadequado para outro:

Objetivo do conjunto de dadosEvidências úteisO que rejeitar ou rotular separadamente
Busca, resumos ou respostas a perguntasUm trecho legível, seu idioma, um ID de vídeo e um intervalo de tempo para citarNão apresente um trecho traduzido como uma citação literal de quem fala. Mantenha os resumos separados do texto de origem.
Reconhecimento de fala ou alinhamento de palavrasUm clipe de áudio específico associado às palavras realmente audíveis neleRejeite dublagens que não correspondam ao áudio e paráfrases como rótulos de fala literal. Separe o ASR não revisado das referências verificadas por pessoas.
Tradução de fala ou textoFala ou texto de origem identificados e a tradução correspondenteMantenha as traduções humanas e automáticas distinguíveis quando a origem for conhecida. Segmentos podem ser divididos ou unidos entre idiomas; a linha 12 não precisa ser a tradução da linha 12.
Treinamento de vídeo e texto ou multimodalTexto que descreve o que aparece nos quadros relevantesA narração pode se referir a algo fora da câmera ou à próxima etapa. Por exemplo, o HowTo100M usou narrações instrutivas como sinal de treinamento, não descrições de cada quadro verificadas manualmente.
Fonte

Registrar o par de áudio e legendas

Um ID de vídeo não basta: ele não informa qual áudio você usou, qual versão das legendas recuperou nem por que um revisor aceitou um par. Este é um registro ilustrativo de um conjunto de dados, não uma resposta das APIs do YouTube ou do FlashData:

Manifesto do conjunto de dados: uma legenda e seu áudio
{
  "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
}

Essa última decisão é o ponto central: tanto o áudio quanto as legendas estão em inglês e o segmento está no tempo certo, mas o texto não é um rótulo literal. Para uma coleção real, registre também o identificador da fonte ou da faixa, quando disponível, a data da recuperação, o identificador do arquivo ou da versão e a permissão ou licença que cobre o uso pretendido. Mantenha a procedência desconhecida como tal em vez de deduzi-la pelo nome do arquivo.

Verificar a coleção antes de usá-la

  1. Meça a cobertura. Conte os vídeos que você tentou processar, os que têm uma faixa no idioma de destino e os que atendem à sua política de qualidade. Separe “nenhuma legenda elegível” de “não foi possível recuperar”. Caso contrário, uma falha temporária parecerá um idioma com baixa cobertura.
  2. Ouça e avalie amostras. Revise clipes de diferentes idiomas, fontes de legendas e canais. Verifique se números, nomes, negações, mudanças de falante e limites dos segmentos correspondem à gravação real. Para fala literal, compare uma amostra com um texto de referência transcrito de forma independente. A taxa de erro de palavras conta substituições, exclusões e inserções por palavra de referência; não é uma medida da qualidade da tradução nem da sincronização.
  3. Preserve a fonte e a base de tempo. Guarde a faixa com marcações de tempo junto ao texto limpo quando isso for permitido. Normalize as quebras de linha para a busca, mas não elimine frases repetidas indiscriminadamente: “não, não” pode ser fala real. Compare os segmentos com a duração do clipe e considere qualquer deslocamento causado pelo recorte.
  4. Divida por gravação, não por linha de legenda. Mantenha clipes, dublagens e traduções da mesma gravação na mesma partição, seja de treinamento ou de teste. Caso contrário, um modelo pode ver a mesma entrevista durante o treinamento e a avaliação. Deixe os pares não verificados fora de um conjunto de avaliação destinado a medir a precisão literal.
  5. Verifique os direitos antes da coleta ou da publicação. Estar disponível publicamente não significa ter autorização para redistribuição ou treinamento. Registre o que permite o uso pretendido, verifique a presença de informações pessoais e planeje correções ou remoções. Mantenha essa decisão separada da qualidade técnica.
Fontes

Recuperar faixas existentes com o FlashData

Use esta opção quando tiver IDs de vídeos e quiser legendas existentes como texto e segmentos com marcações de tempo. Ela não gera transcrição de fala para texto em vídeos sem legendas. YouTube Transcript e YouTube Captions usam as mesmas regras de seleção de faixas. Os padrões são diferentes: youtube_transcript permite fontes automáticas (auto: true); youtube_captions usa por padrão apenas legendas de quem enviou o vídeo (auto: false). Ambos buscam inglês quando language é omitido.

Este é um exemplo em Python para um único vídeo usando requests. Substitua a chave de exemplo e use um ID de vídeo que você tenha autorização para processar. A disponibilidade depende do vídeo:

Recuperar uma transcrição existente com 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']}")

Escolher um idioma e uma fonte de legendas

Um código de idioma como "en" solicita inglês independentemente do áudio. Para seguir uma faixa de áudio, use "original" para o idioma identificado como original ou "default" para o idioma de reprodução identificado para o worker, não para a configuração do seu navegador. O FlashData resolve os dois a partir das informações de áudio da mesma extração.

Um código explícito de faixa funciona de outro modo: "en-orig" com auto: true solicita exatamente aquela faixa automática, sem recorrer a alternativas. O sufixo -orig é uma convenção de nomes do yt-dlp, não uma prova de que o áudio original era em inglês.

Para um código de idioma comum, "default" ou "original", auto: true tenta as fontes de legendas nesta ordem, todas no idioma de destino:

  1. Reconhecimento de fala no mesmo idioma (youtube_asr): o YouTube transcreveu a fala.
  2. Legendas de quem enviou o vídeo (uploader): o canal forneceu o texto.
  3. Legendas automáticas não classificadas (youtube_auto_unknown): as evidências não distinguem ASR de tradução. Isso é uma incerteza sobre a fonte, não uma quarta forma de produzir legendas.
  4. Tradução automática do YouTube (youtube_translated): o YouTube traduziu outra faixa de legendas.

Com auto: false, somente as legendas de quem enviou o vídeo são elegíveis. No exemplo da entrevista, suponha que o idioma de reprodução esteja identificado como inglês. Há uma faixa enviada em inglês e uma tradução do YouTube, mas não há ASR em inglês. Solicitar "default" com auto: true retorna captionSource: "uploader" e isAutoGenerated: false.

Fonte

Solicitar mais de um idioma

Envie um array como ["original", "en", "es"] para o mesmo vídeo. Isso solicita cada um de 1 a 10 seletores distintos com uma única política auto, não o primeiro idioma disponível. Mesmo um array com um só item retorna results[0].tracks e results[0].errors em vez de uma única faixa.

As faixas recuperadas permanecem na ordem da solicitação. Identifique uma faixa por requestedLanguageCode quando estiver presente; caso contrário, use languageCode. Os erros identificam o seletor que falhou por languageCode. Preserve os resultados bem-sucedidos quando outro idioma falhar. Se nenhum tiver sucesso, trate o erro no nível da solicitação.

Distinguir uma faixa ausente de uma falha na recuperação

Um idioma original não confirmado (youtube_original_language_unknown) é diferente de um idioma original conhecido sem legendas elegíveis (youtube_original_subtitles_unavailable). Para a reprodução padrão, os erros correspondentes são youtube_default_language_unknown e youtube_default_subtitles_unavailable.

Se o YouTube retornar HTTP 429 ao fornecer legendas traduzidas e nenhuma faixa solicitada for recuperada, a API em tempo real do FlashData poderá informar HTTP 502 com youtube_subtitle_retrieval_failed. Se houver sucesso parcial, o seletor que falhou poderá ter errors[].code: "retrieval_failed" em vez disso. Um 502 isolado não permite diagnosticar um 429 do YouTube. Um 429 do limitador de solicitações do próprio FlashData é separado de um 429 do YouTube.

A API YouTube Download seleciona o áudio separadamente por audio_language e pode recorrer a outra faixa; solicitar "original" às duas APIs não estabelece alinhamento. Consulte a receita de legendas com marcações de tempo para salvar os resultados e o guia de arquivos Bulk para processar uma lista de IDs de vídeos.

Perguntas frequentes sobre transcrições do YouTube

Posso obter uma transcrição do YouTube de graça sem baixar o vídeo?

Sim. Quando há legendas disponíveis, o recurso Mostrar transcrição do YouTube permite ler o texto na página de reprodução sem comprar uma ferramenta nem baixar mídia. Para uma palestra ou entrevista, comece por ali.

Fonte

Por que não há transcrição se consigo ver legendas na imagem?

Desative as legendas ocultas. Se as palavras permanecerem, elas podem estar embutidas: fazem parte da imagem, não de uma faixa de texto selecionável. O vídeo também pode não ter legendas publicadas, ou as legendas automáticas ainda podem estar sendo processadas. Para material que você tenha autorização para processar, transcreva o áudio se quiser o que foi dito, ou use reconhecimento óptico de caracteres (OCR) com revisão se precisar das palavras exatas exibidas na tela. As duas coisas podem ser diferentes.

Posso obter texto em inglês se o áudio estiver em outro idioma?

Muitas vezes, sim, mas nem sempre. Primeiro, procure legendas em inglês; se não houver nenhuma na lista, confira se o player oferece Traduzir automaticamente. Esse recurso traduz as legendas disponíveis. Ele não cria áudio em inglês nem comprova que a dublagem em inglês usou as mesmas palavras.

Fonte

“Gerado automaticamente” significa “traduzido automaticamente”?

Não. O reconhecimento de fala transforma fala em escrita no mesmo idioma. A tradução automática muda o texto de um idioma para outro. Os dois processos podem ser automáticos, e uma tradução pode partir de um reconhecimento de fala imperfeito. Quando a origem não for informada, marque-a como desconhecida.

Por que o yt-dlp informa HTTP 429 para legendas traduzidas automaticamente pelo YouTube?

Um vídeo pode listar uma tradução mesmo quando o YouTube recusa a solicitação do texto com HTTP 429 (Too Many Requests). Na issue #13831 do yt-dlp, a explicação fixada pelo mantenedor identifica as legendas traduzidas automaticamente pelo YouTube como o caso afetado. As faixas fornecidas por quem enviou o vídeo e o ASR no idioma original não foram afetados por aquele problema específico. Isso não significa que todas as traduções falhem nem que outras solicitações de legendas nunca possam sofrer limitação de taxa.

Se você só precisa de texto legível, procure uma faixa existente de quem enviou o vídeo ou de ASR no idioma falado no seu idioma de destino. Se precisar especificamente da tradução do YouTube, preserve as faixas recuperadas e adie apenas a tradução que falhou. Respeite Retry-After quando a resposta o incluir; caso contrário, aumente o intervalo entre tentativas, limite as repetições e evite tentar novamente uma coleção inteira de uma só vez. Registre o resultado como falha na recuperação, não como ausência de legendas. Receber uma faixa em japonês com sucesso não atende a uma solicitação de inglês.

Fontes

Como obter apenas o texto, sem marcações de tempo?

Exporte uma versão em texto simples de um arquivo de legendas ou una o texto dos segmentos na ordem. Guarde o original com marcações de tempo se você puder precisar citar uma linha, criar clipes ou corrigir um erro depois. Remover as marcações de tempo é fácil; recuperar tempos precisos a partir de um parágrafo é uma tarefa de alinhamento separada.

Há transcrições disponíveis para YouTube Shorts e transmissões ao vivo?

O YouTube oferece suporte a legendas automáticas tanto para Shorts elegíveis quanto para vídeos longos, mas a disponibilidade não é garantida. As legendas ao vivo e as do vídeo arquivado não são necessariamente iguais: o YouTube informa que gera novas legendas automáticas para a versão sob demanda. Para um conjunto de dados reproduzível, registre qual versão você usou e quando.

Fonte

A API oficial YouTube Data retorna transcrições de qualquer vídeo público?

Não. A chamada captions.list do Google, autorizada por OAuth, retorna metadados das faixas, não as palavras em si. captions.download recupera a faixa e exige permissão para editar o vídeo. Poder ler uma transcrição como espectador não é o mesmo que ter essa permissão na API.

Fontes

Os nomes dos falantes e as marcações de tempo de cada palavra estão incluídos?

Não de forma confiável. Um segmento pode abranger uma frase inteira, e uma faixa pode identificar um falante, indicar um som ou não fazer nenhuma dessas coisas. Se você precisa saber quem falou e quando, faça anotações ou execute a diarização de falantes e verifique o resultado. Se precisa saber quando cada palavra foi dita, use alinhamento de palavras com a gravação real; não divida a duração de um segmento igualmente entre suas palavras.

As transcrições do YouTube são precisas o suficiente para fazer citações?

Use a transcrição para encontrar o momento; use a gravação para conferir a citação. Se você citar em inglês uma pessoa que fala japonês, informe se as palavras são sua tradução, a legenda de quem enviou o vídeo ou a dublagem. Uma frase fluente não prova que uma pessoa específica tenha usado aquelas palavras exatas.

Transcrições públicas do YouTube podem ser usadas para treinar um modelo ou compartilhadas como conjunto de dados?

O acesso público, por si só, não concede permissão para nenhum desses usos. Determine o que autoriza a coleta, o treinamento e qualquer redistribuição do texto ou da mídia; são decisões separadas. Depois, decida se os rótulos são adequados à tarefa: uma tradução em inglês autorizada ainda pode ser uma referência errada para reconhecimento de fala em inglês. O guia de licenças do YouTube explica a diferença entre a licença padrão e a Creative Commons Atribuição.

Fonte

Por que uma transcrição muda quando a recupero novamente?

Confira o vídeo, o idioma do áudio, o idioma das legendas e a fonte da faixa. Você pode estar comparando duas faixas. Até o mesmo vídeo pode mudar: um criador pode editar o texto ou os tempos e publicar uma faixa de legendas revisada. Guarde a data da recuperação e uma versão ou um hash do conteúdo quando isso for permitido, para distinguir uma edição de uma mudança na sua política de seleção.

Fonte
Markdown