Обзор документации
Руководства
Откройте описание видео и выберите Показать текст видео. Если субтитры доступны, вы сможете читать текст и переходить к моментам, когда прозвучали эти слова. API и скачивание не нужны.
На этой странице
Как получить расшифровку видео YouTube без скачивания
- Найдите нужный фрагмент. На странице просмотра разверните описание и выберите Показать текст видео. Нажмите на строку, чтобы воспроизвести этот момент.
- Проверьте язык. Меню проигрывателя Субтитры/CC управляет текстом. Пункт Аудиодорожка, если он есть, определяет, что вы слышите. Переключение звука не гарантирует, что вместе с ним изменится и расшифровка.
- Проверьте цитату. Скопируйте фрагмент, если текст можно выделить, или запишите слова и временную метку. Прослушайте реплику ещё раз, чтобы проверить имена, числа и слова вроде «не», способные изменить смысл на противоположный.
Сохранение субтитров видео, которым вы управляете
В разделе YouTube Studio → Субтитры выберите видео и нажмите Изменить рядом с нужным языком. В меню Параметры выберите Скачать субтитры. Сохраните файл с временными метками: обычную текстовую копию можно экспортировать позже.
Если дорожки ещё нет, но у вас есть текст на языке записи, Studio может синхронизировать его со звуком.
Если дорожки субтитров нет
Получение субтитров позволяет прочитать уже существующий текст. Транскрибирование создаёт новый текст из аудио. Для записи, которая принадлежит вам или которую вам разрешено обрабатывать, используйте инструмент распознавания речи в режиме транскрибирования, чтобы сохранить язык речи. Перевод выполняется отдельно. Если нет ни субтитров, ни разрешённого доступа к аудио, попросите расшифровку у автора публикации.
Например, чтобы локально расшифровать собственное интервью на английском, сначала выберите правильный аудиопоток. Если установлены FFmpeg, whisper-cli из краткого руководства whisper.cpp и его английская модель base.en, следующие команды создадут и interview.txt, и interview.srt:
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 interviewЗдесь 0:a:0 выбирает первый аудиопоток, который не обязательно содержит речь на исходном языке. Сначала прослушайте его. Например, для японской речи выберите японский поток, используйте многоязычную модель ggml-base.bin и задайте -l ja. Сверьте результат с записью. Этот текст создан в ходе вашего процесса транскрибирования; это не дорожка субтитров, предоставленная YouTube.
Субтитры, переводные субтитры и расшифровки: что это такое
Дорожка субтитров представляет собой последовательность реплик: фрагментов текста с указанием времени их появления. Закрытые субтитры можно включать и выключать. Субтитры для доступности передают не только речь, но и значимые звуки: смену говорящего, стук в дверь или сигнал тревоги, на который кто-то реагирует. Под субтитрами часто понимают перевод диалогов, но во многих странах так называют и субтитры на языке речи. По одному названию пункта меню нельзя определить, кто написал текст и является ли он переводом.
Расшифровка представляет слова в удобном для чтения виде, с временными метками или без них. Панель текста видео YouTube показывает субтитры в формате для чтения, а не отдельную, независимо созданную расшифровку. Краткое содержание отличается и от того, и от другого: оно может опускать детали или пересказывать их другими словами. Если говорящий указывает на схему и произносит «положите это сюда», расшифровка может содержать ровно эти слова, не объясняя, куда именно. Описательная расшифровка дополняет текст недостающей визуальной информацией.
Три типа субтитров YouTube
Сравнивая расшифровки, определяйте тип дорожки субтитров, которую вы действительно получили. Три распространённых источника: субтитры от автора, автоматическое распознавание речи YouTube и автоматический перевод YouTube. Последние два используют автоматизацию, но только один из них обрабатывает саму речь.
| Источник субтитров | Как создан текст | Пример: интервью на японском |
|---|---|---|
| Предоставлены автором (uploader) | Канал предоставляет или публикует текст. Его могут набрать вручную, загрузить из файла или получить, отредактировав автоматический черновик. Он не обязательно написан с нуля или дословно передаёт речь. | Автор публикует английские субтитры с текстом «Please wait a moment.». Это перевод, но его источником остаётся автор, а не автоматический перевод YouTube. |
| Автоматически созданы YouTube (распознавание речи, ASR) | YouTube преобразует речь в текст на том же языке. Система может неверно расслышать говорящего; перевод здесь не выполняется. | Гость произносит chotto matte. Дорожка передаёт эти слова на японском языке. |
| Автоматически переведены YouTube (машинный перевод) | YouTube переводит существующий текст субтитров на другой язык. Исходные субтитры могут быть авторскими или автоматическими. Система не прослушивает дубляж на целевом языке. | YouTube переводит японскую реплику на английский как «Wait a little.». Если в японских субтитрах имя распознано неверно, перевод может унаследовать эту ошибку. |
Почему у одного видео может быть несколько английских текстов
Дубляж представляет собой аудио, а не четвёртый тип субтитров. В том же вымышленном интервью актёр английского дубляжа может сказать «Give me a second.». Оба варианта английских субтитров выше передают смысл, но ни один не содержит именно этих произнесённых слов. Для понимания подойдёт любой из них; для дословной цитаты прослушайте дубляж, а в наборе данных для перевода отдельно сохраняйте исходный текст и способ перевода.
Оригинальное аудио содержит исходное исполнение; при воспроизведении по умолчанию используется дорожка, которую выбрал проигрыватель, в том числе с учётом предпочтений зрителя. Смена языка субтитров не переключает звук. Не считайте, что у каждого дубляжа есть соответствующая ASR-дорожка: по описанию YouTube автоматические субтитры для видео с несколькими аудиодорожками создаются на языке по умолчанию, а не отдельно для каждого дубляжа.
Форматы расшифровок YouTube: TXT, SRT, VTT и JSON
| Формат | Для чего подходит | Что учитывать |
|---|---|---|
| Обычный текст (TXT) | Чтение, заметки или краткое содержание | Легко редактировать, но при преобразовании дорожки в сплошной текст теряется связь каждой строки с видео, если не сохранить её отдельно. |
| SubRip (SRT) | Перенос субтитров с временными метками между редакторами и проигрывателями | Пронумерованные реплики со временем начала и окончания. Полезны, когда важнее воспроизведение, а не сложное оформление. |
| WebVTT (VTT) | Субтитры для веб-проигрывателя | Сохраняет время показа реплик и может содержать дополнительные сведения, например положение на экране или обозначения говорящих, если автор их указал. |
| JSON или JSON Lines (JSONL) | Поиск по видео или создание наборов данных | Схему определяете вы. Укажите, заданы ли значения времени в секундах или миллисекундах и относятся ли они к полному видео или к экспортированному клипу. |
Ниже приведена вымышленная авторская реплика в WebVTT. Её длительность 1,9 секунды определяет, когда показывать реплику, а не начало и конец каждого слова.
WEBVTT
00:01:04.200 --> 00:01:06.100
Please wait a moment.Обычная текстовая копия может содержать просто «Please wait a moment.». Для поиска удобнее заметка вида «01:04 · Please wait a moment.». Если вы вырезаете клип, начинающийся в 01:00, эта реплика должна появляться с 4,2 до 6,1 секунды клипа, а не с 64,2 до 66,1. Сохраняйте исходный временной диапазон, чтобы можно было восстановить привязку.
Как создать набор данных из расшифровок YouTube
Прежде чем собирать тысячи дорожек, определите, что должен подтверждать один пример. Одна и та же реплика может подходить для одного набора данных и не подходить для другого:
| Назначение набора данных | Полезные подтверждающие данные | Что исключать или помечать отдельно |
|---|---|---|
| Поиск, краткое изложение или ответы на вопросы | Читаемый фрагмент, его язык, идентификатор видео и временной диапазон для ссылки | Не представляйте переведённый фрагмент как дословную цитату говорящего. Храните краткое содержание отдельно от исходного текста. |
| Распознавание речи или выравнивание по словам | Конкретный аудиофрагмент в паре со словами, которые в нём действительно слышны | Не используйте неподходящий дубляж и пересказ в качестве дословной разметки. Отделяйте непроверенные результаты ASR от эталонов, проверенных человеком. |
| Перевод речи или текста | Исходная речь или текст с установленным источником и соответствующий перевод | Если происхождение известно, различайте человеческий и машинный перевод. В разных языках реплики могут разделяться или объединяться: строка 12 не обязательно переводит строку 12. |
| Обучение на парах видео и текста или мультимодальное обучение | Текст, описывающий содержимое соответствующих кадров | Закадровая речь может относиться к тому, что находится вне кадра, или к следующему действию. Например, HowTo100M использовал голосовые инструкции как обучающий сигнал, а не как проверенные вручную описания каждого кадра. |
Фиксируйте пару аудио и субтитров
Одного идентификатора видео недостаточно: он не указывает, какую аудиодорожку вы использовали, какую версию субтитров получили и почему проверяющий принял эту пару. Ниже приведён иллюстративный пример записи набора данных, а не ответ API YouTube или FlashData:
{
"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
}Именно последнее решение здесь главное: оба языка английские и реплика появляется вовремя, но текст не является дословной разметкой речи. Для реальной коллекции также сохраняйте идентификатор источника или дорожки, если он доступен, дату получения, идентификатор файла или версии и разрешение либо лицензию на предполагаемое использование. Если происхождение неизвестно, так и укажите, а не делайте выводы по имени файла.
Проверьте коллекцию перед использованием
- Измеряйте охват. Подсчитывайте видео, которые вы пытались обработать, видео с дорожкой на целевом языке и видео, прошедшие ваши критерии качества. Различайте «нет подходящих субтитров» и «не удалось получить». Иначе временный сбой будет выглядеть как низкий охват языка.
- Прослушивайте и проверяйте выборки. Проверяйте клипы на разных языках, из разных каналов и с разными источниками субтитров. Сверяйте числа, имена, отрицания, смены говорящих и границы реплик с самой записью. Для дословной передачи речи сравните выборку с независимо подготовленной эталонной расшифровкой. Доля ошибок в словах учитывает замены, пропуски и вставки в расчёте на слово эталона; она не оценивает качество перевода или точность временных меток.
- Сохраняйте источник и временную основу. Если это разрешено, храните дорожку с временными метками вместе с очищенным текстом. Нормализуйте переносы строк для поиска, но не удаляйте повторяющиеся фразы без проверки: «нет, нет» может быть частью реальной речи. Сверяйте реплики с длительностью клипа и учитывайте смещение после обрезки.
- Разделяйте по записям, а не по строкам субтитров. Помещайте клипы, дубляжи и переводы одной записи в одну и ту же выборку: обучающую или тестовую. Иначе модель может встретить одно интервью и при обучении, и при оценке. Не включайте непроверенные пары в оценочный набор, предназначенный для измерения точности дословного распознавания.
- Проверяйте права до сбора или публикации. Открытый доступ для просмотра не означает разрешения на распространение или обучение. Фиксируйте основания для предполагаемого использования, проверяйте наличие персональных данных и предусмотрите исправления или удаление. Рассматривайте это решение отдельно от технического качества.
Получение существующих дорожек через FlashData
Этот способ подходит, если у вас есть идентификаторы видео и нужны существующие субтитры в виде текста и сегментов с временными метками. Он не распознаёт речь в видео без субтитров. YouTube Transcript и YouTube Captions используют одинаковые правила выбора дорожек. Значения по умолчанию различаются: youtube_transcript допускает автоматические источники (auto: true); youtube_captions по умолчанию использует только авторские субтитры (auto: false). Если language не указан, оба запрашивают английский язык.
Ниже приведён пример на Python для одного видео с использованием requests. Замените ключ-заглушку и укажите идентификатор видео, которое вам разрешено обрабатывать. Доступность зависит от видео:
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']}")Выбор языка и источника субтитров
Код языка, например "en", запрашивает английский независимо от аудио. Чтобы ориентироваться на аудиодорожку, используйте "original" для языка, отмеченного как исходный, или "default" для языка воспроизведения, отмеченного для обработчика, а не заданного в вашем браузере. FlashData определяет оба значения по сведениям об аудио в рамках одного и того же извлечения данных.
Явный код дорожки работает иначе: "en-orig" вместе с auto: true запрашивает именно эту автоматическую дорожку без перехода к другим вариантам. Суффикс -orig является соглашением об именовании в yt-dlp, а не доказательством того, что исходное аудио было английским.
Для обычного кода языка, "default" или "original" параметр auto: true перебирает источники субтитров в следующем порядке, причём все варианты должны быть на целевом языке:
- Распознавание речи на том же языке (
youtube_asr): YouTube преобразовал речь в текст. - Авторские субтитры (
uploader): текст предоставил канал. - Неклассифицированные автоматические субтитры (
youtube_auto_unknown): имеющиеся сведения не позволяют отличить ASR от перевода. Это неопределённость происхождения, а не четвёртый способ создания субтитров. - Машинный перевод YouTube (
youtube_translated): YouTube перевёл другую дорожку субтитров.
При auto: false подходят только авторские субтитры. Предположим, в примере с интервью язык воспроизведения отмечен как английский. Есть английские субтитры от автора и перевод YouTube, но нет английского ASR. Запрос "default" с auto: true вернёт captionSource: "uploader" и isAutoGenerated: false.
Запрос нескольких языков
Передайте для одного видео массив, например ["original", "en", "es"]. Это запрос каждого из 1–10 различных селекторов с общей политикой auto, а не первого доступного языка. Даже массив из одного элемента возвращает results[0].tracks и results[0].errors вместо одной дорожки.
Успешно полученные дорожки сохраняют порядок запроса. Сопоставляйте дорожку по requestedLanguageCode, если поле есть, иначе по languageCode. В ошибках неудачный селектор обозначается через languageCode. Сохраняйте успешные результаты, даже если другой язык получить не удалось. Если не получен ни один, обработайте ошибку уровня запроса.
Отличайте отсутствие дорожки от сбоя получения
Неподтверждённый исходный язык (youtube_original_language_unknown) отличается от известного исходного языка без подходящих субтитров (youtube_original_subtitles_unavailable). Для воспроизведения по умолчанию соответствующими ошибками являются youtube_default_language_unknown и youtube_default_subtitles_unavailable.
Если YouTube возвращает HTTP 429 при выдаче переведённых субтитров и ни одну запрошенную дорожку получить не удалось, API реального времени FlashData может сообщить HTTP 502 с youtube_subtitle_retrieval_failed. При частичном успехе у неудачного селектора вместо этого может быть errors[].code: "retrieval_failed". Сам по себе код 502 не указывает на HTTP 429 от YouTube. Ответ 429 от собственного ограничителя запросов FlashData следует отличать от ответа 429 от YouTube.
YouTube Download API выбирает аудио отдельно через audio_language и может перейти к другой дорожке; запрос "original" в обоих API не гарантирует соответствия. О сохранении результатов читайте в рецепте субтитров с временными метками, а об обработке списка идентификаторов видео в руководстве по Bulk-файлам.
Частые вопросы о расшифровках YouTube
Можно ли бесплатно получить расшифровку YouTube без скачивания видео?
Да. Если субтитры доступны, функция YouTube Показать текст видео позволяет читать текст на странице просмотра без покупки инструмента и скачивания медиафайлов. Для одной лекции или интервью начните с неё.
Почему расшифровки нет, хотя на изображении видны субтитры?
Выключите закрытые субтитры. Если слова остаются, они могут быть встроены в изображение, а не храниться в выбираемой текстовой дорожке. У видео также может не быть опубликованных субтитров, либо автоматические субтитры ещё обрабатываются. Если у вас есть разрешение на обработку материала, расшифруйте аудио, чтобы получить то, что было сказано, или примените оптическое распознавание символов (OCR) с проверкой, если нужны точные слова, написанные на экране. Эти тексты могут различаться.
Можно ли получить английский текст, если аудио на другом языке?
Часто да, но не всегда. Сначала поищите английские субтитры; если их нет в списке, проверьте, предлагает ли проигрыватель Автоперевод. Он переводит доступные субтитры, но не создаёт английскую аудиодорожку и не подтверждает, что в английском дубляже звучат те же слова.
Означает ли «создано автоматически» то же, что «машинный перевод»?
Нет. Распознавание речи преобразует речь в письменный текст на том же языке. Машинный перевод переводит текст с одного языка на другой. Оба процесса могут быть автоматическими, а перевод может основываться на неточно распознанной речи. Если происхождение не раскрыто, отмечайте его как неизвестное.
Почему yt-dlp сообщает HTTP 429 для автоматически переведённых субтитров YouTube?
Перевод может отображаться в списке дорожек видео, даже если YouTube отклоняет запрос его текста с HTTP 429 (Too Many Requests). В обсуждении проблемы #13831 в yt-dlp сопровождающий закрепил пояснение, в котором указано, что проблема затрагивает автоматически переведённые субтитры YouTube. Авторские дорожки и ASR на исходном языке не были затронуты именно этой проблемой. Это не означает, что все переводы недоступны или что запросы других субтитров никогда не ограничиваются по частоте.
Если нужен просто читаемый текст, проверьте, есть ли на вашем целевом языке авторские субтитры или субтитры ASR, полученные распознаванием речи на том же языке. Если нужен именно перевод YouTube, сохраните успешно полученные дорожки и отложите только неудавшийся перевод. Соблюдайте Retry-After, если он есть в ответе; иначе увеличивайте паузы, ограничивайте число повторов и не отправляйте всю коллекцию повторно за один раз. Записывайте результат как сбой получения, а не отсутствие субтитров. Успешно полученная японская дорожка не выполняет запрос английского текста.
Как получить только текст без временных меток?
Экспортируйте файл субтитров в обычный текст или соедините тексты реплик по порядку. Сохраните оригинал с временными метками, если впоследствии можете цитировать строки, нарезать клипы или исправлять ошибки. Удалить временные метки легко; восстановление точной временной привязки по абзацу является отдельной задачей выравнивания.
Доступны ли расшифровки для YouTube Shorts и прямых трансляций?
YouTube поддерживает автоматические субтитры для Shorts, отвечающих требованиям, и для длинных видео, но их наличие не гарантируется. Субтитры прямого эфира и сохранённой записи не обязательно совпадают: YouTube сообщает, что создаёт новые автоматические субтитры для версии по запросу. Для воспроизводимого набора данных фиксируйте, какую версию и когда вы использовали.
Возвращает ли официальный YouTube Data API расшифровки любого общедоступного видео?
Нет. Метод Google captions.list с авторизацией OAuth возвращает метаданные дорожек, а не сам текст. captions.download получает дорожку и требует разрешения на редактирование видео. Возможность читать расшифровку как зритель не равнозначна наличию этого разрешения API.
Включены ли имена говорящих и временные метки для каждого слова?
Рассчитывать на это нельзя. Реплика может охватывать целую фразу, а дорожка может обозначать говорящего, отмечать звуки или не содержать ни того ни другого. Если важно знать, кто и когда говорил, выполните разметку или диаризацию говорящих и проверьте результат. Если нужно время произнесения каждого слова, выровняйте слова по самой записи; не делите длительность реплики поровну между словами.
Достаточно ли точны расшифровки YouTube для цитирования?
Найдите нужный момент по расшифровке и проверьте цитату по записи. Если вы цитируете японского собеседника на английском, укажите, чей это текст: ваш перевод, субтитры автора или дубляж. Гладкая формулировка не доказывает, что конкретный говорящий произнёс именно эти слова.
Можно ли обучать модель на общедоступных расшифровках YouTube или распространять их как набор данных?
Почему расшифровка меняется при повторном получении?
Проверьте видео, язык аудио, язык субтитров и источник дорожки. Возможно, вы сравниваете разные дорожки. Даже у одного видео данные могут меняться: автор может исправить текст или временные метки и опубликовать обновлённую дорожку. Если это разрешено, сохраняйте дату получения и версию либо хеш содержимого, чтобы отличать правку текста от изменения вашей политики выбора.