ข้ามไปยังเนื้อหา
TH
รับคีย์ API
เรียกดูเอกสาร

คู่มือ

ข้อความถอดเสียงและคำบรรยาย YouTube: จากวิดีโอหนึ่งรายการสู่ชุดข้อมูลฝึกโมเดล

เปิดคำอธิบายวิดีโอแล้วเลือก แสดงข้อความถอดเสียง หากมีคำบรรยาย คุณจะอ่านข้อความและข้ามไปยังช่วงเวลาที่มีการพูดข้อความนั้นได้ โดยไม่ต้องใช้ API หรือดาวน์โหลด

ในหน้านี้

วิธีดูข้อความถอดเสียง YouTube โดยไม่ต้องดาวน์โหลดวิดีโอ

  1. ค้นหาข้อความที่ต้องการ ในหน้ารับชม ให้ขยายคำอธิบายแล้วเลือก แสดงข้อความถอดเสียง เลือกบรรทัดเพื่อเล่นวิดีโอตรงช่วงเวลานั้น
  2. ตรวจสอบภาษา เมนู คำบรรยาย/CC ของโปรแกรมเล่นใช้ควบคุมข้อความ ส่วน แทร็กเสียง หากมี จะควบคุมเสียงที่คุณได้ยิน การเปลี่ยนเสียงไม่ได้รับประกันว่าข้อความถอดเสียงจะเปลี่ยนตาม
  3. ตรวจสอบข้อความอ้างอิง คัดลอกข้อความหากเลือกข้อความได้ หรือจดคำพูดพร้อมเวลา เล่นบรรทัดนั้นซ้ำเพื่อตรวจสอบชื่อ ตัวเลข และคำอย่าง "not" ที่อาจทำให้ความหมายกลับด้าน
แหล่งอ้างอิง

บันทึกคำบรรยายสำหรับวิดีโอที่คุณจัดการ

ใน YouTube Studio → คำบรรยาย ให้เลือกวิดีโอ แล้วเลือก แก้ไข ข้างภาษาที่ต้องการ ภายใต้ ตัวเลือก ให้เลือก ดาวน์โหลดคำบรรยาย เก็บไฟล์ที่มีข้อมูลเวลาไว้ คุณสามารถส่งออกสำเนาข้อความล้วนได้ภายหลัง

หากยังไม่มีแทร็กและคุณมีสคริปต์ในภาษาที่พูด Studio สามารถซิงก์สคริปต์ให้ตรงกับเสียงได้

แหล่งอ้างอิง

เมื่อไม่มีแทร็กคำบรรยาย

การดึงคำบรรยายคือการอ่านข้อความที่มีอยู่แล้ว ส่วนการถอดเสียงคือการสร้างข้อความใหม่จากเสียง สำหรับไฟล์บันทึกที่คุณเป็นเจ้าของหรือได้รับอนุญาตให้ประมวลผล ให้ใช้เครื่องมือแปลงเสียงเป็นข้อความในโหมด ถอดเสียง (transcribe) เพื่อคงภาษาที่พูดไว้ การแปลเป็นอีกขั้นตอนหนึ่ง หากไม่มีคำบรรยายและไม่มีสิทธิ์เข้าถึงเสียง ให้ขอข้อความถอดเสียงจากผู้เผยแพร่

ตัวอย่างเช่น หากต้องการถอดเสียงบทสัมภาษณ์ภาษาอังกฤษของคุณบนเครื่อง ให้เลือกสตรีมเสียงที่ถูกต้องก่อน เมื่อติดตั้ง FFmpeg, whisper-cli จากคู่มือเริ่มต้นฉบับย่อของ whisper.cpp และโมเดลภาษาอังกฤษ base.en แล้ว คำสั่งต่อไปนี้จะสร้างทั้ง interview.txt และ interview.srt:

ถอดเสียงไฟล์บันทึกบนเครื่องด้วย 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

ในตัวอย่างนี้ 0:a:0 จะเลือก สตรีมเสียงแรก ซึ่งอาจไม่ใช่ภาษาต้นฉบับ ให้ฟังก่อน ตัวอย่างเช่น สำหรับเสียงพูดภาษาญี่ปุ่น ให้เลือกสตรีมภาษาญี่ปุ่น ใช้โมเดลหลายภาษา ggml-base.bin และตั้งค่า -l ja ตรวจสอบผลลัพธ์เทียบกับไฟล์บันทึก ข้อความนี้สร้างขึ้นด้วยกระบวนการถอดเสียงของ คุณเอง ไม่ใช่แทร็กคำบรรยายที่ YouTube จัดให้

แหล่งอ้างอิง

คำบรรยายแทนเสียง คำบรรยาย และข้อความถอดเสียงคืออะไร

แทร็กคำบรรยาย ประกอบด้วยช่วงคำบรรยายเรียงต่อกัน โดยแต่ละช่วงมีข้อความและเวลาที่ควรแสดง คำบรรยายแบบเปิดปิดได้สามารถเปิดหรือปิดการแสดงผลได้ คำบรรยายเพื่อการเข้าถึงสื่อถึงเสียงที่มีความหมายควบคู่กับคำพูด เช่น การเปลี่ยนผู้พูด เสียงเคาะประตู หรือเสียงเตือนที่มีคนตอบสนอง คำว่า คำบรรยาย (subtitles) มักหมายถึงบทสนทนาที่แปลแล้ว แต่ในหลายประเทศก็ใช้เรียกคำบรรยายภาษาเดียวกับเสียงด้วย ชื่อเมนูเพียงอย่างเดียวไม่ได้บอกว่าใครเขียนข้อความหรือข้อความนั้นเป็นคำแปลหรือไม่

ข้อความถอดเสียง นำเสนอคำพูดให้อ่าน โดยอาจมีหรือไม่มีข้อมูลเวลา แผงข้อความถอดเสียงของ YouTube เป็นมุมมองสำหรับอ่านคำบรรยาย ไม่ใช่ผลการถอดเสียงครั้งที่สองที่ทำแยกกัน ส่วน บทสรุป ก็แตกต่างออกไปอีก เพราะอาจตัดเนื้อหาบางส่วนหรือเรียบเรียงใหม่ หากผู้พูดบอกว่า "วางไว้ตรงนี้" พร้อมชี้ไปที่แผนภาพ ข้อความถอดเสียงอาจแสดงเพียงคำพูดนั้นโดยไม่อธิบายว่าตรงไหน ข้อความถอดเสียงแบบบรรยายจะเพิ่มข้อมูลภาพที่ขาดไป

แหล่งอ้างอิง

คำบรรยาย YouTube สามประเภท

เมื่อเปรียบเทียบข้อความถอดเสียง ให้จำแนก แทร็กคำบรรยายที่คุณได้รับจริง แหล่งที่มาที่พบบ่อยมีสามประเภท ได้แก่ คำบรรยายที่ครีเอเตอร์จัดทำ การถอดเสียงอัตโนมัติของ YouTube และการแปลอัตโนมัติของ YouTube สองประเภทหลังใช้ระบบอัตโนมัติเหมือนกัน แต่มีเพียงประเภทเดียวที่ฟังเสียงพูด

แหล่งที่มาของคำบรรยายวิธีสร้างข้อความตัวอย่าง: บทสัมภาษณ์ภาษาญี่ปุ่น
ครีเอเตอร์จัดทำ (ผู้อัปโหลด)ช่องเป็นผู้จัดทำหรือเผยแพร่ข้อความ อาจพิมพ์เอง อัปโหลด หรือแก้ไขจากฉบับร่างอัตโนมัติ ไม่จำเป็นต้องเขียนขึ้นใหม่ทั้งหมดหรือถอดคำพูดตรงทุกคำครีเอเตอร์เผยแพร่คำบรรยายภาษาอังกฤษว่า "Please wait a moment." ข้อความนี้เป็นคำแปล แต่แหล่งที่มายังคงเป็น ครีเอเตอร์ ไม่ใช่การแปลอัตโนมัติของ YouTube
YouTube สร้างอัตโนมัติ (การรู้จำเสียงพูด หรือ ASR)YouTube แปลง เสียงพูดเป็นข้อความในภาษาเดียวกัน ระบบอาจฟังคำพูดผิดได้ โดยไม่ได้มีการแปลภาษาผู้ให้สัมภาษณ์พูดว่า chotto matte แทร็กแสดงคำพูดนั้นเป็นภาษาญี่ปุ่น
YouTube แปลอัตโนมัติ (การแปลด้วยเครื่อง)YouTube แปลง ข้อความคำบรรยายที่มีอยู่ให้เป็นอีกภาษา ต้นทางอาจเป็นคำบรรยายที่ผู้อัปโหลดจัดทำหรือสร้างอัตโนมัติ ระบบไม่ได้ฟังเสียงพากย์ในภาษาเป้าหมายYouTube แปลคำบรรยายภาษาญี่ปุ่นเป็นภาษาอังกฤษว่า "Wait a little." หากคำบรรยายภาษาญี่ปุ่นฟังชื่อผิด คำแปลก็อาจรับข้อผิดพลาดนั้นต่อมา
แหล่งอ้างอิง

ทำไมวิดีโอหนึ่งรายการจึงมีข้อความภาษาอังกฤษได้หลายแบบ

เสียงพากย์คือเสียง ไม่ใช่คำบรรยายประเภทที่สี่ ในบทสัมภาษณ์สมมติเดียวกันนี้ ผู้พากย์ภาษาอังกฤษอาจพูดว่า "Give me a second." คำบรรยายภาษาอังกฤษทั้งสองแบบข้างต้นสื่อความหมายได้ แต่ไม่มีแบบใดใช้ถ้อยคำที่พูดจริง คุณใช้แบบใดก็ได้เพื่อทำความเข้าใจ แต่หากต้องการอ้างคำพูดโดยตรง ให้ฟังเสียงพากย์ และสำหรับชุดข้อมูลการแปล ให้เก็บข้อความต้นทางและวิธีแปลแยกไว้ด้วย

เสียงต้นฉบับคือการพูดหรือการแสดงต้นทาง ส่วนเสียงที่เล่นโดยค่าเริ่มต้นคือเสียงที่โปรแกรมเล่นเลือก ซึ่งอาจต่างกันตามค่ากำหนดของผู้ชม การเปลี่ยนภาษาคำบรรยายไม่ได้เปลี่ยนเสียง อย่าคิดว่าเสียงพากย์ทุกภาษาจะมีแทร็ก ASR ที่ตรงกัน YouTube อธิบายว่าคำบรรยายอัตโนมัติของวิดีโอที่มีหลายแทร็กเสียงเป็นคำบรรยายในภาษาเริ่มต้น ไม่ใช่การถอดเสียงแยกสำหรับเสียงพากย์ทุกภาษา

แหล่งอ้างอิง

รูปแบบข้อความถอดเสียง YouTube: TXT, SRT, VTT และ JSON

รูปแบบเหมาะสำหรับสิ่งที่ควรคำนึงถึง
ข้อความล้วน (TXT)อ่าน จดบันทึก หรือสรุปเนื้อหาแก้ไขได้ง่าย แต่การแปลงแทร็กให้เหลือข้อความล้วนจะทำให้ความเชื่อมโยงระหว่างแต่ละบรรทัดกับวิดีโอหายไป เว้นแต่คุณจะเก็บไว้แยกต่างหาก
SubRip (SRT)ย้ายคำบรรยายที่มีข้อมูลเวลาระหว่างโปรแกรมตัดต่อกับโปรแกรมเล่นช่วงคำบรรยายมีหมายเลขกำกับ พร้อมเวลาเริ่มต้นและสิ้นสุด เหมาะเมื่อเน้นการเล่นมากกว่าการจัดรูปแบบที่ซับซ้อน
WebVTT (VTT)คำบรรยายสำหรับโปรแกรมเล่นบนเว็บเก็บเวลาแสดงของช่วงคำบรรยายไว้ และอาจมีข้อมูลเพิ่มเติม เช่น ตำแหน่งหรือป้ายระบุผู้พูด หากผู้จัดทำใส่ไว้
JSON หรือ JSON Lines (JSONL)ค้นหาข้ามวิดีโอหรือสร้างชุดข้อมูลคุณเป็นผู้เลือกสคีมา ให้ระบุว่าเวลาใช้หน่วยวินาทีหรือมิลลิวินาที และอ้างอิงวิดีโอเต็มหรือคลิปที่ส่งออก

ต่อไปนี้คือคำบรรยายสมมติที่ผู้อัปโหลดจัดทำในรูปแบบ WebVTT ช่วงเวลา 1.9 วินาทีระบุ เวลาที่ต้องแสดงช่วงคำบรรยาย ไม่ใช่เวลาเริ่มต้นและสิ้นสุดของแต่ละคำ

ช่วงคำบรรยาย WebVTT พร้อมข้อมูลเวลา
WEBVTT

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

สำเนาข้อความล้วนอาจมีเพียง "Please wait a moment." ส่วนบันทึกที่ค้นหาได้จะมีประโยชน์มากขึ้นเมื่อเขียนเป็น "01:04 · Please wait a moment." หากคุณตัดคลิปโดยเริ่มที่ 01:00 คำบรรยายนี้ต้องอยู่ที่ วินาทีที่ 4.2 ถึง 6.1 ในคลิปนั้น ไม่ใช่ 64.2 ถึง 66.1 เก็บช่วงเวลาต้นฉบับไว้เพื่อให้ย้อนกลับไปหาแหล่งอ้างอิงได้

แหล่งอ้างอิง

วิธีสร้างชุดข้อมูลข้อความถอดเสียง YouTube

ก่อนรวบรวมแทร็กหลายพันรายการ ให้ตัดสินใจว่า ตัวอย่างหนึ่งรายการ ควรใช้แสดงอะไร ช่วงคำบรรยายเดียวกันอาจใช้ได้กับชุดข้อมูลหนึ่ง แต่ไม่เหมาะกับอีกชุดหนึ่ง:

เป้าหมายของชุดข้อมูลหลักฐานที่เป็นประโยชน์สิ่งที่ควรคัดออกหรือติดป้ายแยก
การค้นหา การสรุป หรือการตอบคำถามข้อความที่อ่านเข้าใจได้ ภาษาของข้อความ รหัสวิดีโอ และช่วงเวลาสำหรับอ้างอิงอย่านำเสนอข้อความที่แปลแล้วว่าเป็นคำพูดตรงทุกคำของผู้พูด เก็บบทสรุปแยกจากข้อความต้นทาง
การรู้จำเสียงพูดหรือการจัดแนวคำกับเสียงคลิปเสียงเฉพาะที่จับคู่กับคำพูดซึ่งได้ยินจริงในคลิปนั้นอย่าใช้เสียงพากย์ที่ไม่ตรงกันหรือข้อความที่เรียบเรียงใหม่เป็นป้ายกำกับคำพูดตรงทุกคำ แยกผล ASR ที่ยังไม่ผ่านการตรวจสอบออกจากข้อความอ้างอิงที่มนุษย์ตรวจแล้ว
การแปลเสียงพูดหรือข้อความเสียงพูดหรือข้อความต้นทางที่ระบุชัดเจน พร้อมคำแปลที่สอดคล้องกันหากทราบ ให้แยกให้ได้ว่าคำแปลใดมาจากมนุษย์หรือเครื่อง ช่วงคำบรรยายต่างภาษาอาจแยกหรือรวมกัน บรรทัดที่ 12 จึงไม่จำเป็นต้องเป็นคำแปลของบรรทัดที่ 12
การฝึกด้วยวิดีโอและข้อความหรือข้อมูลหลายรูปแบบข้อความที่บรรยายสิ่งที่ปรากฏในเฟรมที่เกี่ยวข้องเสียงบรรยายอาจพูดถึงสิ่งที่อยู่นอกกล้องหรือขั้นตอนถัดไป ตัวอย่างเช่น HowTo100M ใช้เสียงบรรยายการสอนเป็นสัญญาณสำหรับฝึกโมเดล ไม่ใช่คำบรรยายทุกเฟรมที่มนุษย์ตรวจสอบแล้ว
แหล่งอ้างอิง

บันทึกคู่เสียงและคำบรรยาย

รหัสวิดีโอเพียงอย่างเดียวไม่พอ เพราะไม่ได้บอกว่าคุณใช้เสียงใด ดึงคำบรรยายเวอร์ชันไหน หรือเหตุใดผู้ตรวจสอบจึงยอมรับคู่นั้น ต่อไปนี้คือตัวอย่างระเบียนชุดข้อมูลเพื่อประกอบความเข้าใจ ไม่ใช่การตอบกลับจาก API ของ YouTube หรือ FlashData:

รายการกำกับชุดข้อมูล: คำบรรยายหนึ่งช่วงและเสียงที่จับคู่กัน
{
  "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
}

การตัดสินใจข้อสุดท้ายนั้นคือประเด็นสำคัญ แม้ทั้งเสียงและข้อความจะเป็นภาษาอังกฤษและช่วงคำบรรยายตรงเวลา แต่ข้อความก็ ไม่ใช่ ป้ายกำกับคำพูดตรงทุกคำ สำหรับชุดข้อมูลจริง ให้บันทึกแหล่งที่มาหรือรหัสแทร็กหากมี วันที่ดึงข้อมูล รหัสไฟล์หรือเวอร์ชัน และการอนุญาตหรือใบอนุญาตที่ครอบคลุมการใช้งานที่ตั้งใจไว้ด้วย หากไม่ทราบที่มา ให้ระบุว่าไม่ทราบ อย่าคาดเดาจากชื่อไฟล์

ตรวจสอบชุดข้อมูลก่อนนำไปใช้

  1. วัดความครอบคลุม นับวิดีโอที่พยายามดึงข้อมูล วิดีโอที่มีแทร็กในภาษาเป้าหมาย และวิดีโอที่ผ่านนโยบายคุณภาพของคุณ แยก "ไม่มีคำบรรยายที่เข้าเกณฑ์" ออกจาก "ดึงข้อมูลไม่ได้" มิฉะนั้น ความล้มเหลวชั่วคราวอาจทำให้ดูเหมือนว่าภาษานั้นมีคำบรรยายครอบคลุมน้อย
  2. ฟังและสุ่มตรวจ ตรวจสอบคลิปจากหลายภาษา หลายแหล่งคำบรรยาย และหลายช่อง ตรวจสอบว่าตัวเลข ชื่อ คำปฏิเสธ การเปลี่ยนผู้พูด และขอบเขตช่วงคำบรรยายตรงกับไฟล์บันทึกจริง สำหรับงานคำพูดตรงทุกคำ ให้เปรียบเทียบตัวอย่างกับข้อความอ้างอิงที่ถอดเสียงแยกอย่างอิสระ อัตราความผิดพลาดระดับคำนับการแทนที่ การลบ และการแทรกต่อจำนวนคำอ้างอิง ไม่ใช่คะแนนคุณภาพการแปลหรือความแม่นยำของเวลา
  3. เก็บต้นทางและฐานเวลาไว้ หากได้รับอนุญาต ให้เก็บแทร็กที่มีข้อมูลเวลาควบคู่กับข้อความที่ทำความสะอาดแล้ว ปรับการขึ้นบรรทัดใหม่ให้เป็นมาตรฐานเพื่อการค้นหา แต่อย่าลบวลีซ้ำโดยไม่ตรวจสอบ เพราะ "ไม่ ไม่" อาจเป็นคำพูดจริง ตรวจสอบช่วงคำบรรยายเทียบกับความยาวคลิป และคำนึงถึงเวลาที่เลื่อนไปจากการตัดคลิป
  4. แบ่งข้อมูลตามไฟล์บันทึก ไม่ใช่ตามบรรทัดคำบรรยาย ให้คลิป เสียงพากย์ และคำแปลจากไฟล์บันทึกเดียวกันอยู่ในชุดฝึกหรือชุดทดสอบฝั่งเดียวกัน มิฉะนั้น โมเดลอาจได้เห็นบทสัมภาษณ์เดียวกันทั้งระหว่างฝึกและประเมิน อย่านำคู่ข้อมูลที่ยังไม่ได้ตรวจสอบเข้าไปในชุดประเมินที่ใช้วัดความถูกต้องแบบตรงทุกคำ
  5. ตรวจสอบสิทธิ์ก่อนรวบรวมหรือเผยแพร่ การรับชมได้แบบสาธารณะไม่ได้หมายความว่าได้รับอนุญาตให้แจกจ่ายต่อหรือใช้ฝึกโมเดล บันทึกสิ่งที่ให้อำนาจคุณใช้งานตามที่ตั้งใจ ตรวจหาข้อมูลส่วนบุคคล และวางแผนรองรับการแก้ไขหรือนำออก แยกการตัดสินใจนี้ออกจากคุณภาพทางเทคนิค
แหล่งอ้างอิง

ดึงแทร็กที่มีอยู่ด้วย FlashData

ใช้วิธีนี้เมื่อคุณมีรหัสวิดีโอและต้องการคำบรรยาย ที่มีอยู่แล้ว ในรูปแบบข้อความและส่วนย่อยพร้อมข้อมูลเวลา วิธีนี้ไม่ได้แปลงเสียงเป็นข้อความให้วิดีโอที่ไม่มีคำบรรยาย YouTube Transcript และ YouTube Captions ใช้กฎการเลือกแทร็กเดียวกัน แต่มีค่าเริ่มต้นต่างกัน: youtube_transcript อนุญาตแหล่งอัตโนมัติ (auto: true) ส่วน youtube_captions ใช้เฉพาะคำบรรยายจากผู้อัปโหลดเป็นค่าเริ่มต้น (auto: false) ทั้งสองเลือก ภาษาอังกฤษ เมื่อไม่ระบุ language

ต่อไปนี้คือตัวอย่าง Python สำหรับวิดีโอหนึ่งรายการโดยใช้ requests แทนที่คีย์ตัวอย่างและใช้รหัสวิดีโอที่คุณได้รับอนุญาตให้ประมวลผล คำบรรยายจะมีให้ดึงหรือไม่ขึ้นอยู่กับวิดีโอนั้น:

ดึงข้อความถอดเสียงที่มีอยู่ด้วย 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']}")

เลือกภาษาและแหล่งที่มาของคำบรรยาย

รหัสภาษาอย่าง "en" เป็นการขอภาษาอังกฤษโดยไม่ขึ้นกับเสียง หากต้องการอิงตามแทร็กเสียงแทน ให้ใช้ "original" สำหรับภาษาที่ระบุว่าเป็นภาษาต้นฉบับ หรือ "default" สำหรับภาษาเล่นที่ระบุไว้สำหรับเวิร์กเกอร์ ไม่ใช่ค่าตั้งค่าในเบราว์เซอร์ของคุณ FlashData ระบุค่าทั้งสองจากข้อมูลเสียงในการดึงข้อมูลครั้งเดียวกัน

รหัสแทร็กที่ระบุชัดเจนทำงานต่างออกไป: "en-orig" ร่วมกับ auto: true จะขอแทร็กอัตโนมัตินั้นโดยตรง โดยไม่มีการเลือกสำรอง ส่วนต่อท้าย -orig เป็นรูปแบบการตั้งชื่อของ yt-dlp ไม่ใช่หลักฐานว่าภาษาอังกฤษเป็นเสียงต้นฉบับ

สำหรับรหัสภาษาทั่วไป "default" หรือ "original" การใช้ auto: true จะลองแหล่งคำบรรยายตามลำดับต่อไปนี้ โดยทั้งหมดต้องเป็นภาษาเป้าหมาย:

  1. การรู้จำเสียงพูดเป็นข้อความในภาษาเดียวกัน (youtube_asr): YouTube ถอดเสียงพูดเป็นข้อความ
  2. คำบรรยายจากผู้อัปโหลด (uploader): ช่องเป็นผู้จัดทำข้อความ
  3. คำบรรยายอัตโนมัติที่ยังจำแนกไม่ได้ (youtube_auto_unknown): หลักฐานไม่เพียงพอที่จะแยกว่าเป็น ASR หรือการแปล นี่คือความไม่แน่ชัดของแหล่งที่มา ไม่ใช่วิธีสร้างคำบรรยายประเภทที่สี่
  4. การแปลด้วยเครื่องของ YouTube (youtube_translated): YouTube แปลจากแทร็กคำบรรยายอื่น

เมื่อใช้ auto: false จะมีเพียงคำบรรยายจากผู้อัปโหลดเท่านั้นที่เข้าเกณฑ์ ในตัวอย่างบทสัมภาษณ์ สมมติว่าภาษาเล่นถูกระบุเป็นภาษาอังกฤษ มีคำบรรยายภาษาอังกฤษที่อัปโหลดไว้และคำแปลของ YouTube แต่ไม่มี ASR ภาษาอังกฤษ การขอ "default" ร่วมกับ auto: true จะคืนค่า captionSource: "uploader" และ isAutoGenerated: false

แหล่งอ้างอิง

ขอมากกว่าหนึ่งภาษา

ส่งอาร์เรย์ เช่น ["original", "en", "es"] สำหรับวิดีโอเดียวกัน วิธีนี้จะขอแต่ละตัวเลือกภาษาที่ไม่ซ้ำกันจำนวน 1 ถึง 10 รายการ โดยใช้นโยบาย auto เดียวกัน ไม่ใช่เลือกภาษาแรกที่มีให้ แม้อาร์เรย์จะมีเพียงหนึ่งรายการ ก็ยังคืนค่า results[0].tracks และ results[0].errors แทนแทร็กเดียว

แทร็กที่ดึงสำเร็จจะเรียงตามลำดับคำขอ จับคู่แทร็กด้วย requestedLanguageCode หากมี มิฉะนั้นใช้ languageCode ข้อผิดพลาดจะระบุตัวเลือกที่ล้มเหลวด้วย languageCode เก็บผลสำเร็จไว้เมื่อภาษาอื่นล้มเหลว หากไม่มีภาษาใดสำเร็จ ให้จัดการข้อผิดพลาดระดับคำขอ

แยกกรณีไม่มีแทร็กออกจากการดึงข้อมูลล้มเหลว

กรณียังยืนยันภาษาต้นฉบับไม่ได้ (youtube_original_language_unknown) แตกต่างจากกรณีทราบภาษาต้นฉบับแล้วแต่ไม่มีคำบรรยายที่เข้าเกณฑ์ (youtube_original_subtitles_unavailable) สำหรับภาษาเล่นเริ่มต้น ข้อผิดพลาดที่สอดคล้องกันคือ youtube_default_language_unknown และ youtube_default_subtitles_unavailable

หาก YouTube ส่ง HTTP 429 ขณะให้บริการคำบรรยายที่แปลแล้ว และไม่มีแทร็กที่ขอใดสำเร็จ API แบบเรียลไทม์ของ FlashData อาจรายงาน HTTP 502 พร้อม youtube_subtitle_retrieval_failed หากสำเร็จบางส่วน ตัวเลือกที่ล้มเหลวอาจมี errors[].code: "retrieval_failed" แทน รหัส 502 เพียงอย่างเดียวไม่ได้ยืนยันว่า YouTube ส่ง 429 ส่วนรหัส 429 จากระบบจำกัดคำขอของ FlashData เองเป็นคนละกรณีกับ 429 ที่ YouTube

YouTube Download API เลือกเสียงแยกต่างหากผ่าน audio_language และอาจเลือกแทร็กอื่นสำรอง การขอ "original" จาก API ทั้งสองจึงไม่ได้ยืนยันว่าเสียงกับคำบรรยายตรงกัน ดูวิธีทำคำบรรยายพร้อมข้อมูลเวลาเพื่อบันทึกผลลัพธ์ และคู่มือไฟล์ Bulk เพื่อประมวลผลรายการรหัสวิดีโอ

คำถามที่พบบ่อยเกี่ยวกับข้อความถอดเสียง YouTube

ดูข้อความถอดเสียง YouTube ฟรีโดยไม่ดาวน์โหลดวิดีโอได้ไหม

ได้ หากมีคำบรรยาย ฟีเจอร์ แสดงข้อความถอดเสียง ของ YouTube ให้คุณอ่านข้อความในหน้ารับชมได้โดยไม่ต้องซื้อเครื่องมือหรือดาวน์โหลดสื่อ สำหรับการบรรยายหรือบทสัมภาษณ์หนึ่งรายการ ให้เริ่มจากวิธีนี้

แหล่งอ้างอิง

ทำไมไม่มีข้อความถอดเสียง ทั้งที่เห็นคำบรรยายอยู่ในภาพ

ลองปิดคำบรรยายแบบเปิดปิดได้ หากข้อความยังอยู่ อาจเป็นคำบรรยายที่ฝังลงในภาพ คือเป็นส่วนหนึ่งของภาพ ไม่ใช่แทร็กข้อความที่เลือกได้ วิดีโออาจยังไม่มีคำบรรยายที่เผยแพร่ หรือคำบรรยายอัตโนมัติอาจยังประมวลผลไม่เสร็จ สำหรับสื่อที่คุณได้รับอนุญาต หากต้องการสิ่งที่ พูดออกมา ให้ถอดเสียง หรือหากต้องการข้อความ ที่ปรากฏบนหน้าจอ อย่างตรงตัว ให้ใช้การรู้จำอักขระด้วยแสง (OCR) พร้อมตรวจสอบผลลัพธ์ ทั้งสองอย่างอาจไม่ตรงกัน

รับข้อความภาษาอังกฤษได้ไหม หากเสียงเป็นภาษาอื่น

มักทำได้ แต่ไม่เสมอไป ให้มองหาคำบรรยายภาษาอังกฤษก่อน หากไม่มีในรายการ ให้ตรวจสอบว่าโปรแกรมเล่นมี แปลอัตโนมัติ หรือไม่ ฟีเจอร์นี้แปลคำบรรยายที่มีอยู่ ไม่ได้สร้างเสียงภาษาอังกฤษหรือยืนยันว่าเสียงพากย์ภาษาอังกฤษใช้คำพูดเดียวกัน

แหล่งอ้างอิง

"สร้างอัตโนมัติ" หมายถึง "แปลด้วยเครื่อง" หรือไม่

ไม่ใช่ การรู้จำเสียงพูดแปลงคำพูดเป็นข้อความใน ภาษาเดียวกัน ส่วนการแปลด้วยเครื่องเปลี่ยนข้อความจากภาษาหนึ่งเป็นอีกภาษา ทั้งสองกระบวนการอาจทำงานอัตโนมัติ และคำแปลอาจเริ่มจากผลการรู้จำเสียงพูดที่ไม่สมบูรณ์ หากไม่มีการเปิดเผยที่มา ให้ระบุว่าไม่ทราบ

ทำไม yt-dlp จึงรายงาน HTTP 429 สำหรับคำบรรยายที่ YouTube แปลอัตโนมัติ

วิดีโออาจมีคำแปลอยู่ในรายการ แม้ YouTube จะปฏิเสธคำขออ่านข้อความนั้นด้วย HTTP 429 (Too Many Requests) ในปัญหา yt-dlp #13831 คำอธิบายที่ผู้ดูแลปักหมุดไว้ระบุว่า คำบรรยายที่ YouTube แปลอัตโนมัติ เป็นกรณีที่ได้รับผลกระทบ แทร็กจากผู้อัปโหลดและ ASR ในภาษาต้นฉบับไม่ได้รับผลกระทบจาก ปัญหาเฉพาะกรณีนั้น นี่ไม่ได้หมายความว่าคำแปลทั้งหมดดึงไม่ได้ หรือคำขอคำบรรยายประเภทอื่นจะไม่มีวันถูกจำกัดอัตรา

หากต้องการเพียงข้อความที่อ่านได้ ให้ตรวจหาแทร็กจากผู้อัปโหลดหรือ ASR ภาษาเดียวกับเสียงที่มีอยู่แล้ว ในภาษาเป้าหมายของคุณ หากต้องการคำแปลของ YouTube โดยเฉพาะ ให้เก็บแทร็กที่สำเร็จไว้และเลื่อนการดึงเฉพาะคำแปลที่ล้มเหลว ปฏิบัติตาม Retry-After หากการตอบกลับมีค่านี้ มิฉะนั้นให้เพิ่มระยะเวลารอก่อนลองใหม่ จำกัดจำนวนครั้ง และหลีกเลี่ยงการลองดึงทั้งชุดซ้ำพร้อมกัน บันทึกผลว่า ดึงข้อมูลล้มเหลว ไม่ใช่ ไม่มีคำบรรยาย การได้รับแทร็กภาษาญี่ปุ่นสำเร็จไม่ได้ตอบสนองคำขอภาษาอังกฤษ

แหล่งอ้างอิง

ดึงเฉพาะข้อความโดยไม่มีข้อมูลเวลาได้อย่างไร

ส่งออกไฟล์คำบรรยายเป็นข้อความล้วน หรือเชื่อมข้อความแต่ละช่วงตามลำดับ เก็บต้นฉบับที่มีข้อมูลเวลาไว้หากอาจต้องอ้างอิงบรรทัด ตัดคลิป หรือแก้ข้อผิดพลาดในภายหลัง การลบข้อมูลเวลาทำได้ง่าย แต่การหาเวลาที่แม่นยำกลับคืนจากย่อหน้าข้อความเป็นงานจัดแนวอีกขั้นตอนหนึ่ง

YouTube Shorts และไลฟ์สตรีมมีข้อความถอดเสียงไหม

YouTube รองรับคำบรรยายอัตโนมัติสำหรับ Shorts ที่เข้าเกณฑ์เช่นเดียวกับวิดีโอแบบยาว แต่ไม่ได้รับประกันว่าจะมีให้ คำบรรยายขณะถ่ายทอดสดกับคำบรรยายของวิดีโอย้อนหลังอาจไม่เหมือนกัน โดย YouTube ระบุว่าจะสร้างคำบรรยายอัตโนมัติใหม่สำหรับเวอร์ชันรับชมย้อนหลัง หากต้องการชุดข้อมูลที่ทำซ้ำได้ ให้บันทึกว่าคุณใช้เวอร์ชันใดและใช้เมื่อใด

แหล่งอ้างอิง

YouTube Data API อย่างเป็นทางการคืนข้อความถอดเสียงของวิดีโอสาธารณะใดก็ได้หรือไม่

ไม่ใช่ captions.list ของ Google ซึ่งต้องได้รับอนุญาตผ่าน OAuth คืนเพียงเมทาดาทาของแทร็ก ไม่ใช่ข้อความจริง ส่วน captions.download ใช้ดึงแทร็กและต้องมีสิทธิ์แก้ไขวิดีโอ การอ่านข้อความถอดเสียงได้ในฐานะผู้ชมไม่เหมือนกับการมีสิทธิ์ API นั้น

แหล่งอ้างอิง

มีชื่อผู้พูดและข้อมูลเวลาแบบรายคำรวมอยู่ด้วยไหม

ไม่ได้มีข้อมูลเหล่านี้เสมอไป ช่วงคำบรรยายหนึ่งช่วงอาจครอบคลุมทั้งวลี และแทร็กอาจระบุผู้พูด ระบุเสียง หรือไม่ระบุทั้งสองอย่าง หากต้องการทราบว่าใครพูดเมื่อใด ให้ใส่ป้ายกำกับหรือใช้การแยกช่วงเสียงตามผู้พูดแล้วตรวจสอบผล หากต้องการทราบเวลาที่พูดแต่ละคำ ให้จัดแนวคำกับไฟล์บันทึกจริง อย่าแบ่งระยะเวลาของช่วงคำบรรยายเท่า ๆ กันให้แต่ละคำ

ข้อความถอดเสียง YouTube แม่นยำพอที่จะใช้อ้างคำพูดไหม

ใช้ข้อความถอดเสียงค้นหาช่วงเวลาที่ต้องการ แล้วใช้ไฟล์บันทึกตรวจสอบคำพูด หากอ้างคำพูดของผู้พูดภาษาญี่ปุ่นเป็นภาษาอังกฤษ ให้ระบุว่าเป็นคำแปลของคุณ คำบรรยายจากผู้อัปโหลด หรือเสียงพากย์ ประโยคที่อ่านลื่นไหลไม่ใช่หลักฐานว่าผู้พูดคนใดใช้ถ้อยคำเหล่านั้นตรงทุกคำ

ใช้ข้อความถอดเสียง YouTube แบบสาธารณะฝึกโมเดลหรือแชร์เป็นชุดข้อมูลได้ไหม

การเข้าถึงแบบสาธารณะเพียงอย่างเดียวไม่ได้ให้สิทธิ์สำหรับการใช้งานทั้งสองแบบ ตรวจสอบให้ชัดเจนว่าสิทธิ์ใดครอบคลุมการรวบรวม การฝึก และการแจกจ่ายข้อความหรือสื่อต่อ ซึ่งเป็นการตัดสินใจแยกกัน จากนั้นพิจารณาว่าป้ายกำกับเหมาะกับงานหรือไม่ คำแปลภาษาอังกฤษที่ได้รับอนุญาตให้ใช้ก็ยังอาจเป็นข้อความอ้างอิงที่ไม่เหมาะกับการรู้จำเสียงพูดภาษาอังกฤษ คู่มือใบอนุญาตของ YouTube อธิบายความแตกต่างระหว่างใบอนุญาตมาตรฐานกับ Creative Commons Attribution

แหล่งอ้างอิง

ทำไมข้อความถอดเสียงจึงต่างไปเมื่อดึงอีกครั้ง

ตรวจสอบวิดีโอ ภาษาของเสียง ภาษาคำบรรยาย และแหล่งที่มาของแทร็ก คุณอาจกำลังเปรียบเทียบคนละแทร็ก แม้เป็นวิดีโอเดียวกันก็เปลี่ยนแปลงได้ ครีเอเตอร์สามารถแก้ไขข้อความหรือเวลาแล้วเผยแพร่แทร็กคำบรรยายฉบับปรับปรุง หากได้รับอนุญาต ให้เก็บวันที่ดึงข้อมูลและเวอร์ชันหรือแฮชเนื้อหาไว้ เพื่อแยกได้ว่าเกิดจากการแก้ไขเนื้อหาหรือการเปลี่ยนนโยบายการเลือกของคุณ

แหล่งอ้างอิง
Markdown