Переглянути документацію
Посібники
Відкрийте опис відео й виберіть Показати текст відео. Якщо субтитри доступні, ви зможете читати текст і переходити до моментів, коли прозвучали ці слова. API та завантаження не потрібні.
На цій сторінці
Як отримати текстову розшифровку YouTube без завантаження відео
- Знайдіть потрібний уривок. На сторінці перегляду розгорніть опис і виберіть Показати текст відео. Виберіть рядок, щоб відтворити цей момент.
- Перевірте мову. Меню програвача Субтитри/CC керує текстом. Пункт Аудіодоріжка, якщо він є, визначає, що ви чуєте. Перемикання аудіо не гарантує, що разом із ним зміниться й розшифровка.
- Перевірте цитату. Скопіюйте уривок, якщо текст можна виділити, або запишіть слова й часову позначку. Прослухайте репліку ще раз, щоб перевірити імена, числа та слова на кшталт «не», які можуть змінити зміст на протилежний.
Збереження субтитрів для відео, яким ви керуєте
У розділі YouTube Studio → Субтитри виберіть відео й натисніть Редагувати біля потрібної мови. У меню Параметри виберіть Завантажити субтитри. Збережіть файл із часовими позначками: звичайну текстову копію можна експортувати пізніше.
Якщо доріжки ще немає, але у вас є текст мовою запису, Studio може синхронізувати його з аудіо.
Якщо доріжки субтитрів немає
Отримання субтитрів дає змогу прочитати наявний текст. Транскрибування створює новий текст з аудіо. Для запису, який належить вам або який вам дозволено обробляти, використовуйте інструмент розпізнавання мовлення в режимі транскрибування, щоб зберегти мову мовлення. Переклад виконується окремо. Якщо немає ні субтитрів, ні дозволеного доступу до аудіо, попросіть розшифровку в автора публікації.
Наприклад, щоб локально розшифрувати власне інтерв'ю англійською, спочатку виберіть правильний аудіопотік. Якщо встановлено FFmpeg, whisper-cli із короткого посібника whisper.cpp та його англійську модель base.en, наведені команди створять і interview.txt, і 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 interviewТут 0:a:0 вибирає перший аудіопотік, який не обов'язково містить мовлення мовою оригіналу. Спочатку прослухайте його. Наприклад, для японського мовлення виберіть японський потік, використайте багатомовну модель ggml-base.bin і задайте -l ja. Звірте результат із записом. Цей текст створено під час вашого процесу транскрибування; це не доріжка субтитрів, надана YouTube.
Субтитри, перекладні субтитри й текстові розшифровки: що це таке
Доріжка субтитрів складається з послідовності реплік: фрагментів тексту з часом їх появи. Закриті субтитри можна вмикати й вимикати. Субтитри для доступності передають не лише мовлення, а й значущі звуки: зміну мовця, стукіт у двері або сигнал тривоги, на який хтось реагує. Під субтитрами часто розуміють переклад діалогів, але в багатьох країнах так називають і субтитри мовою мовлення. Сама назва пункту меню не дає змоги визначити, хто написав текст і чи є він перекладом.
Текстова розшифровка подає слова для читання, із часовими позначками або без них. Панель тексту відео YouTube показує субтитри у форматі для читання, а не окрему, незалежно створену розшифровку. Стислий виклад відрізняється від обох: він може пропускати деталі або переказувати їх іншими словами. Якщо мовець вказує на схему й каже «покладіть це сюди», розшифровка може містити саме ці слова, не пояснюючи, куди саме. Описова розшифровка доповнює текст відсутньою візуальною інформацією.
Три типи субтитрів YouTube
Порівнюючи розшифровки, визначайте тип доріжки субтитрів, яку ви фактично отримали. Три поширені джерела: субтитри від автора, автоматичне розпізнавання мовлення YouTube та автоматичний переклад YouTube. Останні два використовують автоматизацію, але лише один із них обробляє саме мовлення.
| Джерело субтитрів | Як створено текст | Приклад: інтерв'ю японською |
|---|---|---|
| Надані автором (uploader) | Канал надає або публікує текст. Його можуть набрати вручну, завантажити з файлу або отримати, відредагувавши автоматичну чернетку. Він не обов'язково написаний з нуля чи дослівно передає мовлення. | Автор публікує англійські субтитри з текстом «Please wait a moment.». Це переклад, але його джерелом залишається автор, а не автоматичний переклад YouTube. |
| Автоматично створені YouTube (розпізнавання мовлення, ASR) | YouTube перетворює мовлення на текст тією самою мовою. Система може неправильно почути мовця; переклад тут не виконується. | Гість каже chotto matte. Доріжка передає ці слова японською мовою. |
| Автоматично перекладені YouTube (машинний переклад) | YouTube перекладає наявний текст субтитрів іншою мовою. Початкові субтитри можуть бути авторськими або автоматичними. Система не прослуховує дубляж цільовою мовою. | YouTube перекладає японську репліку англійською як «Wait a little.». Якщо в японських субтитрах ім'я розпізнано неправильно, переклад може успадкувати цю помилку. |
Чому одне відео може мати кілька англійських текстів
Дубляж є аудіо, а не четвертим типом субтитрів. У тому самому вигаданому інтерв'ю актор англійського дубляжу може сказати «Give me a second.». Обидва наведені вище варіанти англійських субтитрів передають зміст, але жоден не містить саме цих вимовлених слів. Для розуміння підійде будь-який із них; для дослівної цитати прослухайте дубляж, а для набору даних із перекладу зберігайте вихідний текст і спосіб перекладу окремо.
Оригінальне аудіо містить вихідне виконання; під час відтворення за умовчанням використовується доріжка, яку вибрав програвач, зокрема з урахуванням уподобань глядача. Зміна мови субтитрів не перемикає аудіо. Не вважайте, що кожен дубляж має відповідну ASR-доріжку: за описом YouTube автоматичні субтитри для відео з кількома аудіодоріжками створюються мовою за умовчанням, а не окремо для кожного дубляжу.
Формати розшифровок YouTube: TXT, SRT, VTT і JSON
| Формат | Для чого підходить | Що врахувати |
|---|---|---|
| Звичайний текст (TXT) | Читання, нотатки або стислий виклад | Легко редагувати, але під час перетворення доріжки на суцільний текст втрачається зв'язок кожного рядка з відео, якщо не зберегти його окремо. |
| SubRip (SRT) | Перенесення субтитрів із часовими позначками між редакторами й програвачами | Пронумеровані репліки з часом початку й завершення. Корисні, коли відтворення важливіше за складне оформлення. |
| WebVTT (VTT) | Субтитри для вебпрогравача | Зберігає час показу реплік і може містити додаткові відомості, наприклад розташування на екрані або позначення мовців, якщо автор їх надав. |
| JSON або JSON Lines (JSONL) | Пошук у відео або створення наборів даних | Схему визначаєте ви. Укажіть, чи задано час у секундах або мілісекундах і чи стосується він повного відео або експортованого кліпу. |
Нижче наведено вигадану авторську репліку у WebVTT. Її тривалість 1,9 секунди визначає, коли показувати репліку, а не початок і кінець кожного слова.
WEBVTT
00:01:04.200 --> 00:01:06.100
Please wait a moment.Звичайна текстова копія може містити просто «Please wait a moment.». Для пошуку корисніша нотатка на кшталт «01:04 · Please wait a moment.». Якщо ви вирізаєте кліп, який починається о 01:00, ця репліка має з'являтися від 4,2 до 6,1 секунди кліпу, а не від 64,2 до 66,1. Зберігайте початковий часовий діапазон, щоб можна було відновити прив'язку.
Як створити набір даних із розшифровок YouTube
Перш ніж збирати тисячі доріжок, визначте, що має підтверджувати один приклад. Та сама репліка може підходити для одного набору даних і не підходити для іншого:
| Мета набору даних | Корисні підтверджувальні дані | Що відхиляти або позначати окремо |
|---|---|---|
| Пошук, стислий виклад або відповіді на запитання | Зрозумілий уривок, його мова, ідентифікатор відео й часовий діапазон для посилання | Не подавайте перекладений уривок як дослівну цитату мовця. Зберігайте стислий виклад окремо від вихідного тексту. |
| Розпізнавання мовлення або вирівнювання за словами | Конкретний аудіофрагмент у парі зі словами, які в ньому справді чути | Не використовуйте невідповідний дубляж і перекази як дослівну розмітку. Відокремлюйте неперевірені результати ASR від еталонів, перевірених людиною. |
| Переклад мовлення або тексту | Вихідне мовлення або текст із визначеним джерелом і відповідний переклад | Якщо походження відоме, розрізняйте людський і машинний переклад. У різних мовах репліки можуть розділятися або об'єднуватися: рядок 12 не обов'язково перекладає рядок 12. |
| Навчання на парах відео й тексту або мультимодальне навчання | Текст, який описує вміст відповідних кадрів | Закадрова розповідь може стосуватися чогось поза кадром або наступного кроку. Наприклад, HowTo100M використовував усні інструкції як навчальний сигнал, а не як перевірені вручну описи кожного кадру. |
Фіксуйте пару аудіо й субтитрів
Одного ідентифікатора відео недостатньо: він не вказує, яке аудіо ви використали, яку версію субтитрів отримали й чому рецензент прийняв цю пару. Нижче наведено ілюстративний приклад запису набору даних, а не відповідь API YouTube чи 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
}Саме останнє рішення тут головне: обидві мови англійські й репліка з'являється вчасно, але текст не є дослівною розміткою мовлення. Для реальної колекції також зберігайте ідентифікатор джерела або доріжки, якщо він доступний, дату отримання, ідентифікатор файлу чи версії та дозвіл або ліцензію на заплановане використання. Якщо походження невідоме, так і зазначайте, а не робіть висновки з назви файлу.
Перевірте колекцію перед використанням
- Вимірюйте охоплення. Підраховуйте відео, які ви намагалися обробити, відео з доріжкою цільовою мовою та відео, що пройшли ваші критерії якості. Розрізняйте «немає придатних субтитрів» і «не вдалося отримати». Інакше тимчасовий збій виглядатиме як низьке охоплення мови.
- Прослуховуйте й перевіряйте вибірки. Переглядайте кліпи різними мовами, з різних каналів і з різними джерелами субтитрів. Звіряйте числа, імена, заперечення, зміни мовців і межі реплік із самим записом. Для дослівної передачі мовлення порівняйте вибірку з незалежно підготовленою еталонною розшифровкою. Частка помилок у словах враховує заміни, пропуски та вставки в розрахунку на слово еталона; вона не оцінює якість перекладу чи точність часових позначок.
- Зберігайте джерело й часову основу. Якщо це дозволено, зберігайте доріжку з часовими позначками разом з очищеним текстом. Нормалізуйте переноси рядків для пошуку, але не видаляйте повторювані фрази без перевірки: «ні, ні» може бути частиною справжнього мовлення. Звіряйте репліки з тривалістю кліпу й ураховуйте зміщення після обрізання.
- Розділяйте за записами, а не за рядками субтитрів. Розміщуйте кліпи, дубляжі й переклади одного запису в одній і тій самій вибірці: навчальній або тестовій. Інакше модель може побачити те саме інтерв'ю під час навчання та оцінювання. Не включайте неперевірені пари до оцінювального набору, призначеного для вимірювання точності дослівного розпізнавання.
- Перевіряйте права до збирання чи публікації. Відкритий доступ для перегляду не означає дозволу на поширення чи навчання. Фіксуйте підстави для запланованого використання, перевіряйте наявність персональних даних і передбачте виправлення або видалення. Розглядайте це рішення окремо від технічної якості.
Отримання наявних доріжок через FlashData
Цей спосіб підходить, якщо у вас є ідентифікатори відео й потрібні наявні субтитри як текст і сегменти з часовими позначками. Він не розпізнає мовлення у відео без субтитрів. YouTube Transcript і YouTube Captions використовують однакові правила вибору доріжок. Типові налаштування відрізняються: youtube_transcript допускає автоматичні джерела (auto: true); youtube_captions за умовчанням використовує лише авторські субтитри (auto: false). Якщо language не вказано, обидва запитують англійську мову.
Нижче наведено приклад на Python для одного відео з використанням requests. Замініть ключ-заповнювач і вкажіть ідентифікатор відео, яке вам дозволено обробляти. Доступність залежить від відео:
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']}")Вибір мови й джерела субтитрів
Код мови, наприклад "en", запитує англійську незалежно від аудіо. Щоб орієнтуватися на аудіодоріжку, використовуйте "original" для мови, позначеної як оригінальна, або "default" для мови відтворення, позначеної для обробника, а не заданої у вашому браузері. FlashData визначає обидва значення за відомостями про аудіо під час того самого отримання даних.
Явний код доріжки працює інакше: "en-orig" разом із auto: true запитує саме цю автоматичну доріжку без переходу до інших варіантів. Суфікс -orig є домовленістю про іменування в yt-dlp, а не доказом того, що оригінальне аудіо було англійською.
Для звичайного коду мови, "default" або "original" параметр auto: true перебирає джерела субтитрів у такому порядку, причому всі варіанти мають бути цільовою мовою:
- Розпізнавання мовлення тією самою мовою (
youtube_asr): YouTube перетворив мовлення на текст. - Авторські субтитри (
uploader): текст надав канал. - Некласифіковані автоматичні субтитри (
youtube_auto_unknown): наявні відомості не дають змоги відрізнити ASR від перекладу. Це невизначеність походження, а не четвертий спосіб створення субтитрів. - Машинний переклад YouTube (
youtube_translated): YouTube переклав іншу доріжку субтитрів.
За auto: false підходять лише авторські субтитри. Припустімо, у прикладі з інтерв'ю мову відтворення позначено як англійську. Є англійські субтитри від автора й переклад YouTube, але немає англійського ASR. Запит "default" із auto: true поверне captionSource: "uploader" та isAutoGenerated: false.
Запит кількох мов
Передайте для одного відео масив, наприклад ["original", "en", "es"]. Це запит кожного з 1–10 різних селекторів зі спільною політикою auto, а не першої доступної мови. Навіть масив з одного елемента повертає results[0].tracks і results[0].errors замість однієї доріжки.
Успішно отримані доріжки зберігають порядок запиту. Зіставляйте доріжку за requestedLanguageCode, якщо поле є, інакше за languageCode. У помилках невдалий селектор позначено через languageCode. Зберігайте успішні результати, навіть якщо іншу мову отримати не вдалося. Якщо не отримано жодної, обробіть помилку рівня запиту.
Відрізняйте відсутню доріжку від збою отримання
Непідтверджена оригінальна мова (youtube_original_language_unknown) відрізняється від відомої оригінальної мови без придатних субтитрів (youtube_original_subtitles_unavailable). Для відтворення за умовчанням відповідними помилками є youtube_default_language_unknown і youtube_default_subtitles_unavailable.
Якщо YouTube повертає HTTP 429 під час видачі перекладених субтитрів і жодної запитаної доріжки отримати не вдалося, API реального часу FlashData може повідомити HTTP 502 із youtube_subtitle_retrieval_failed. За часткового успіху невдалий селектор натомість може мати errors[].code: "retrieval_failed". Сам код 502 не вказує на HTTP 429 від YouTube. Відповідь 429 від власного обмежувача запитів FlashData та відповідь 429 від YouTube є різними випадками.
YouTube Download API вибирає аудіо окремо через audio_language і може перейти до іншої доріжки; запит "original" в обох API не гарантує відповідності. Про збереження результатів читайте в рецепті субтитрів із часовими позначками, а про обробку списку ідентифікаторів відео в посібнику з Bulk-файлів.
Поширені запитання про розшифровки YouTube
Чи можна безкоштовно отримати розшифровку YouTube без завантаження відео?
Так. Якщо субтитри доступні, функція YouTube Показати текст відео дає змогу читати текст на сторінці перегляду без придбання інструмента й завантаження медіафайлів. Для однієї лекції чи інтерв'ю почніть із неї.
Чому розшифровки немає, хоча на зображенні видно субтитри?
Вимкніть закриті субтитри. Якщо слова залишаються, вони можуть бути вбудовані в зображення, а не зберігатися в текстовій доріжці, яку можна вибрати. Відео також може не мати опублікованих субтитрів, або автоматичні субтитри ще обробляються. Якщо у вас є дозвіл на обробку матеріалу, розшифруйте аудіо, щоб отримати те, що було сказано, або застосуйте оптичне розпізнавання символів (OCR) із перевіркою, якщо потрібні точні слова, написані на екрані. Ці тексти можуть відрізнятися.
Чи можна отримати англійський текст, якщо аудіо іншою мовою?
Часто так, але не завжди. Спершу пошукайте англійські субтитри; якщо їх немає в списку, перевірте, чи пропонує програвач Автоматичний переклад. Він перекладає доступні субтитри, але не створює англійську аудіодоріжку й не підтверджує, що в англійському дубляжі звучать ті самі слова.
Чи означає «автоматично створено» те саме, що й «машинний переклад»?
Ні. Розпізнавання мовлення перетворює усне мовлення на письмовий текст тією самою мовою. Машинний переклад перекладає текст з однієї мови іншою. Обидва процеси можуть бути автоматичними, а переклад може спиратися на неточно розпізнане мовлення. Якщо походження не розкрито, позначайте його як невідоме.
Чому yt-dlp повідомляє HTTP 429 для автоматично перекладених субтитрів YouTube?
Переклад може відображатися в списку доріжок відео, навіть якщо YouTube відхиляє запит його тексту з HTTP 429 (Too Many Requests). В обговоренні проблеми #13831 у yt-dlp супровідник закріпив пояснення, у якому зазначено, що проблема стосується автоматично перекладених субтитрів YouTube. Авторські доріжки та ASR мовою оригіналу не були зачеплені саме цією проблемою. Це не означає, що всі переклади недоступні або що запити інших субтитрів ніколи не обмежуються за частотою.
Якщо потрібен лише зрозумілий текст, перевірте, чи є вашою цільовою мовою авторські субтитри або субтитри ASR, розпізнані з мовлення тією самою мовою. Якщо потрібен саме переклад YouTube, збережіть успішно отримані доріжки й відкладіть лише невдалий переклад. Дотримуйтеся Retry-After, якщо він є у відповіді; інакше збільшуйте паузи, обмежуйте кількість повторів і не надсилайте всю колекцію повторно за один раз. Записуйте результат як збій отримання, а не відсутність субтитрів. Успішно отримана японська доріжка не виконує запит англійського тексту.
Як отримати лише текст без часових позначок?
Експортуйте файл субтитрів у звичайний текст або з'єднайте тексти реплік за порядком. Збережіть оригінал із часовими позначками, якщо згодом можете цитувати рядки, нарізати кліпи чи виправляти помилки. Видалити часові позначки легко; відновлення точної часової прив'язки за абзацом є окремим завданням вирівнювання.
Чи доступні розшифровки для YouTube Shorts і прямих трансляцій?
YouTube підтримує автоматичні субтитри як для Shorts, що відповідають умовам, так і для довгих відео, але їх наявність не гарантована. Субтитри прямого ефіру та збереженого відео не обов'язково збігаються: YouTube повідомляє, що створює нові автоматичні субтитри для версії на вимогу. Для відтворюваного набору даних фіксуйте, яку версію й коли ви використали.
Чи повертає офіційний YouTube Data API розшифровки будь-якого загальнодоступного відео?
Ні. Метод Google captions.list з авторизацією OAuth повертає метадані доріжок, а не сам текст. captions.download отримує доріжку й потребує дозволу на редагування відео. Можливість читати розшифровку як глядач не рівнозначна наявності цього дозволу API.
Чи включено імена мовців і часові позначки для кожного слова?
Покладатися на це не можна. Репліка може охоплювати цілу фразу, а доріжка може позначати мовця, звуки або не містити жодного з цих позначень. Якщо важливо знати, хто й коли говорив, виконайте анотування або діаризацію мовців і перевірте результат. Якщо потрібен час вимовляння кожного слова, вирівняйте слова за самим записом; не діліть тривалість репліки порівну між словами.
Чи достатньо точні розшифровки YouTube для цитування?
Використовуйте розшифровку, щоб знайти момент, а запис, щоб перевірити цитату. Якщо цитуєте японського співрозмовника англійською, укажіть, чи це ваш переклад, субтитри автора або дубляж. Природне формулювання не доводить, що конкретний мовець вимовив саме ці слова.
Чи можна навчати модель на загальнодоступних розшифровках YouTube або поширювати їх як набір даних?
Чому розшифровка змінюється під час повторного отримання?
Перевірте відео, мову аудіо, мову субтитрів і джерело доріжки. Можливо, ви порівнюєте різні доріжки. Навіть в одного відео дані можуть змінюватися: автор може виправити текст або часові позначки й опублікувати оновлену доріжку. Якщо це дозволено, зберігайте дату отримання та версію або хеш вмісту, щоб відрізняти редагування від зміни вашої політики вибору.