跳转到正文
中文
获取 API 密钥
浏览文档

指南

YouTube 文字稿与字幕:从单个视频到训练数据集

打开视频简介,选择显示文字稿。如果视频提供字幕,你就能阅读内容,并跳转到对应的发言时间。无需使用 API,也无需下载。

本页内容

如何在不下载视频的情况下获取 YouTube 文字稿

  1. 找到所需段落。在视频播放页面展开简介,选择显示文字稿。选择某一行即可播放对应片段。
  2. 确认语言。播放器的字幕/CC菜单控制显示的文本;如果有音轨选项,它控制你听到的音频。切换音频并不保证文字稿也会随之改变。
  3. 核实引文。如果可以选中文本,就复制所需段落;否则记下文字和时间戳。重放对应语句,核对姓名、数字,以及像“not”这样可能使意思完全相反的词。
参考来源

保存你所管理视频的字幕

在 YouTube Studio → 字幕中选择视频,然后在所需语言旁选择修改。在选项下选择下载字幕。请保留带时间信息的文件,之后可以再导出纯文本副本。

如果还没有字幕轨,而你有一份与口语语言相同的文稿,Studio 可以将文稿与音频同步。

参考来源

没有字幕轨时怎么办

获取字幕是读取已有文本,转写则是根据音频生成新文本。对于你拥有或获准处理的录音,可使用语音转文字工具的转写模式,保留说话者使用的语言。翻译是另一个独立步骤。如果没有字幕,也没有获准访问的音频,请向发布者索取文字稿。

例如,要在本地转写你自己的英语访谈,首先应选择正确的音频流。安装 FFmpeg、whisper.cpp 快速入门中的 whisper-cli 及其英语模型 base.en 后,以下命令会同时生成 interview.txt 和 interview.srt:

使用 whisper.cpp 转写本地录音
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

这里的 0:a:0 选择的是第一个音频流,不一定是原始语言的音频。请先试听。例如,转写日语讲话时,应选择日语音频流,使用多语言模型 ggml-base.bin,并设置 -l ja。对照录音检查输出。这些文本由你自己的转写流程生成,并不是 YouTube 提供的字幕轨。

参考来源

什么是字幕、翻译字幕和文字稿

字幕轨由一系列字幕条目组成,每个条目包含一段文字及其应显示的时间。隐藏式字幕可以开启或关闭。无障碍字幕不仅呈现话语,还传达有意义的声音信息,例如说话者切换、敲门声,或引起人物反应的警报声。Subtitles 通常指翻译后的对白,但在许多国家也指同语言字幕。仅凭菜单名称,无法判断文字由谁编写,也无法判断它是否经过翻译。

文字稿将话语整理成可供阅读的文本,可以带时间戳,也可以不带。YouTube 的文字稿面板只是字幕的阅读视图,并不是另做的一份独立转写。摘要又有所不同,它可能省略内容或改换说法。如果说话者指着示意图说“放在这里”,文字稿可能只记录这句话,而不解释“这里”是哪里。描述性文字稿则会补充缺失的视觉信息。

参考来源

YouTube 字幕的三种类型

比较文字稿时,应根据实际收到的字幕轨进行分类。三种常见来源是创作者提供的字幕、YouTube 自动转写和 YouTube 自动翻译。后两者都采用自动化处理,但只有一种会识别语音。

字幕来源文本的生成方式示例:一段日语访谈
创作者提供(上传者字幕)由频道提供或发布文字。可以手动输入、上传,也可以在自动生成的初稿上修改。不一定是从头编写的,也不一定逐字对应原话。创作者发布了写有“Please wait a moment.”的英语字幕。这属于翻译,但来源仍然是创作者,而不是 YouTube 自动翻译。
YouTube 自动生成(语音识别,即 ASR)YouTube 将语音转换为同一种语言的文本。它可能听错说话者的内容,但不涉及翻译。嘉宾说的是 chotto matte,字幕轨用日文呈现这句话。
YouTube 自动翻译(机器翻译)YouTube 将已有字幕文本转换为另一种语言。原始字幕可以由上传者提供,也可以自动生成。它不会去听目标语言的配音。YouTube 将日语字幕翻译为“Wait a little.”这一英语句子。如果日语字幕把人名听错,译文也可能沿用这一错误。
参考来源

为什么同一个视频会有多份英语文本

配音是音频,不是第四种字幕类型。在同一段虚构访谈中,英语配音演员说的可能是“Give me a second.”这句话。前面两种英语字幕都能传达意思,但都不包含配音中实际说出的这些词。理解内容时可以使用其中任意一种;直接引用原话时,应听配音核实;构建翻译数据集时,应分别保存原文和翻译方法。

原始音频是最初的演说或表演录音;默认播放音频则由播放器选择,可能因观众偏好而异。更改字幕语言不会切换音频。不要假定每条配音都有对应的 ASR 字幕轨:YouTube 对多音轨视频的说明是,自动字幕使用默认语言,而不是为每条配音分别转写。

参考来源

YouTube 文字稿格式:TXT、SRT、VTT 和 JSON

格式适用场景注意事项
纯文本(TXT)阅读、笔记或摘要易于编辑,但将字幕轨转为纯文本会丢失每一行与视频时间位置的关联,除非另外保留这些信息。
SubRip(SRT)在编辑器和播放器之间传递带时间信息的字幕字幕条目带有编号、开始时间和结束时间。适合更重视播放而非丰富样式的场景。
WebVTT(VTT)网页播放器字幕保留字幕条目的时间信息,也能携带位置或说话者标签等附加信息,前提是作者提供了这些信息。
JSON 或 JSON Lines(JSONL)跨视频搜索或构建数据集数据结构由你决定。请注明时间单位是秒还是毫秒,以及时间是相对于完整视频还是导出的片段。

下面是以 WebVTT 表示的虚构上传者字幕。这 1.9 秒表示该字幕条目应何时显示,而不是每个词的起止时间。

带时间信息的 WebVTT 字幕条目
WEBVTT

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

纯文本副本可以只包含“Please wait a moment.”这句话。便于搜索的笔记则写成“01:04 · Please wait a moment.”更有用。如果从 01:00 开始截取片段,这条字幕应位于片段内的第 4.2 至 6.1 秒,而不是第 64.2 至 66.1 秒。保留原始时间范围,以便还原出处。

参考来源

如何构建 YouTube 文字稿数据集

在收集成千上万条字幕轨之前,先确定一个样本应该证明什么。同一条字幕可能适合某个数据集,却不适合另一个:

数据集目标有用的依据应剔除或单独标注的内容
搜索、摘要或问答可读的段落、文本语言、视频 ID,以及可供引用的时间范围不要将译文当作说话者的逐字引文。摘要应与原始文本分开保存。
语音识别或词级对齐特定音频片段,以及与其配对的、片段中实际能听到的文字不要将配错的配音或改写内容作为逐字标签。未经审核的 ASR 结果应与人工核验的参考文本区分开。
语音或文本翻译明确标识的源语音或源文本,以及对应的译文已知翻译方式时,应区分人工翻译与机器翻译。不同语言的字幕条目可能拆分或合并,第 12 行不一定是另一语言第 12 行的译文。
视频文本或多模态训练描述相关画面内容的文本旁白可能在谈论镜头外的事物,或描述下一步操作。例如,HowTo100M 将教学旁白用作训练信号,而不是为每一帧提供人工核验的描述。
参考来源

记录音频与字幕的配对关系

仅有视频 ID 并不够:它无法说明使用了哪条音频、获取了哪个字幕版本,也无法说明审核者为什么接受这组配对。下面是一条示意性的数据集记录,并不是 YouTube 或 FlashData API 的响应:

数据集清单:一条字幕及其音频
{
  "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
}

最后一项判断才是关键:音频和字幕都是英语,字幕时间也正确,但文本不是逐字标签。实际收集时,还应在信息可得的情况下记录来源或字幕轨标识、获取日期、文件或版本标识,以及允许预期用途的授权或许可。来源不明时应保留为未知,不要根据文件名推断。

使用前检查所收集的数据

  1. 衡量覆盖率。统计尝试处理的视频数、具有目标语言字幕轨的视频数,以及通过质量规则的视频数。将“没有符合条件的字幕”与“无法获取”分开统计,否则临时故障可能会被误认为某种语言覆盖率不足。
  2. 试听并抽样检查。审核不同语言、字幕来源和频道的片段。核对数字、姓名、否定词、说话者切换和字幕条目边界是否与实际录音一致。需要逐字对应语音时,应将样本与独立转写的参考文本比较。词错误率按每个参考词统计替换、删除和插入错误,并不衡量翻译质量或时间准确性。
  3. 保留源文件和时间基准。在获准的情况下,同时保存带时间信息的字幕轨与清洗后的文本。可为搜索统一换行格式,但不要盲目删除重复短语:“no, no”可能就是真实的发言。根据片段时长检查字幕条目,并计入任何剪辑起点偏移。
  4. 按录制内容划分,而不是按字幕行划分。同一录制内容的片段、配音和译文应统一归入训练集或统一归入测试集,否则模型可能在训练和评估时看到同一段访谈。用于衡量逐字准确率的评估集,不应包含未经核验的配对。
  5. 收集或发布前核查权利。可以公开观看,不代表已获准再分发或用于训练。记录允许预期用途的依据,检查是否含有个人信息,并制定更正或移除方案。权利判断应与技术质量判断分开进行。
参考来源

使用 FlashData 获取已有字幕轨

如果你已有视频 ID,并希望以文本和带时间信息的片段获取已有字幕,可使用此方式。它不会为没有字幕的视频生成语音转文字结果。YouTube Transcript 和 YouTube Captions 使用相同的字幕轨选择规则,但默认设置不同:youtube_transcript 允许自动来源(auto: true);youtube_captions 默认仅使用上传者字幕(auto: false)。两者在省略 language 时都以英语为目标语言。

下面是使用 requests 处理单个视频的 Python 示例。请替换占位密钥,并使用你获准处理的视频 ID。字幕是否可用取决于具体视频:

使用 Python 获取已有文字稿
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']}")

选择语言与字幕来源

"en" 这样的语言代码会请求英语字幕,与音频语言无关。如果希望跟随音轨,应使用 "original" 选择标记的原始语言,或使用 "default" 选择为执行任务的工作节点标记的播放语言,而不是浏览器设置的语言。FlashData 会根据同一次提取中的音频信息解析这两个选择器。

显式字幕轨代码的行为不同:使用 "en-orig" 并设置 auto: true 时,只请求该条确切的自动字幕轨,不会回退。-orig 后缀是 yt-dlp 的命名约定,并不能证明英语是原始音频语言。

对于普通语言代码、"default" 或 "original",auto: true 会按以下顺序尝试字幕来源,所有候选字幕均为目标语言:

  1. 同语言语音识别(youtube_asr):YouTube 对语音进行了转写。
  2. 上传者字幕(uploader):文本由频道提供。
  3. 未分类的自动字幕(youtube_auto_unknown):现有依据无法区分 ASR 与翻译。这表示来源尚不确定,并不是第四种字幕生成方式。
  4. YouTube 机器翻译(youtube_translated):YouTube 翻译了另一条字幕轨。

设置 auto: false 时,只有上传者字幕符合条件。在上述访谈示例中,假设播放语言被标记为英语,已有上传的英语字幕和 YouTube 翻译字幕,但没有英语 ASR 字幕。使用 "default" 并设置 auto: true,会返回 captionSource: "uploader" 和 isAutoGenerated: false。

参考来源

请求多种语言

为同一个视频发送 ["original", "en", "es"] 这样的数组。这会在统一的 auto 策略下,分别请求 1 至 10 个互不相同的选择器,而不是选择第一个可用语言。即使数组只有一项,返回的也是 results[0].tracks 和 results[0].errors,而不是单条字幕轨。

成功的字幕轨按请求顺序排列。存在 requestedLanguageCode 时用它匹配字幕轨,否则使用 languageCode。错误通过 languageCode 标识失败的选择器。某种语言失败时,应保留其他成功结果。如果全部失败,则处理请求级错误。

区分字幕轨缺失与获取失败

无法确认原始语言(youtube_original_language_unknown)与原始语言已知、但没有符合条件的字幕(youtube_original_subtitles_unavailable)是不同情况。对于默认播放语言,对应的错误分别为 youtube_default_language_unknown 和 youtube_default_subtitles_unavailable。

如果 YouTube 在提供翻译字幕时返回 HTTP 429,且所有请求的字幕轨都未成功,FlashData 实时 API 可能返回 HTTP 502,并附带 youtube_subtitle_retrieval_failed。如果部分成功,失败的选择器则可能带有 errors[].code: "retrieval_failed"。仅凭 502 无法断定 YouTube 返回了 429。FlashData 自身请求限流器返回的 429 与 YouTube 端的 429 是两回事。

YouTube Download API 通过 audio_language 单独选择音频,而且可能回退到其他音轨;即使两个 API 都请求 "original",也不能据此确认音频与字幕对齐。保存结果的方法见带时间戳字幕操作指南,处理视频 ID 列表的方法见 Bulk 文件指南。

YouTube 文字稿常见问题

不下载视频也能免费获取 YouTube 文字稿吗?

可以。只要有字幕,就能使用 YouTube 的显示文字稿功能,在播放页面阅读文本,无需购买工具或下载媒体。只需查看一场讲座或一段访谈时,可以从这里开始。

参考来源

为什么画面中有字幕,却没有文字稿?

先关闭隐藏式字幕。如果文字仍然存在,它们可能是烧录在画面中的硬字幕,即图像的一部分,而不是可选的文本轨。视频也可能尚未发布字幕,或自动字幕仍在处理中。对于获准处理的素材,如果需要说出来的内容,应转写音频;如果需要画面上印出的准确文字,可使用光学字符识别(OCR)并人工审核。两者可能不同。

音频是其他语言时,可以获取英语文本吗?

通常可以,但并非总是如此。先查找英语字幕;如果列表中没有,再查看播放器是否提供自动翻译。此功能翻译已有字幕,不会生成英语音频,也不能证明英语配音使用了相同的措辞。

参考来源

“自动生成”就是“机器翻译”吗?

不是。语音识别将语音转换为同一种语言的文字;机器翻译则将文本从一种语言转换为另一种语言。两种流程都可以自动完成,而且翻译可能基于不完全准确的语音识别结果。如果未披露来源,应标记为未知。

为什么 yt-dlp 获取 YouTube 自动翻译字幕时会报告 HTTP 429?

即使 YouTube 用 HTTP 429 (Too Many Requests) 拒绝提供字幕文本,视频也可能仍列出该译文。在 yt-dlp 的 #13831 问题中,维护者置顶的说明指出,受影响的是 YouTube 自动翻译字幕。上传者提供的字幕轨和原始语言 ASR 不受该特定问题影响。这不意味着所有翻译都会失败,也不意味着其他字幕请求永远不会被限流。

如果只需要可读文本,请检查是否已有目标语言的上传者字幕或同语言 ASR 字幕轨。如果明确需要 YouTube 的翻译,应保留成功获取的字幕轨,只推迟失败的翻译请求。响应包含 Retry-After 时应遵守该值;否则应退避等待、限制重试次数,避免一次性重试整个数据集合。将结果记录为获取失败,而不是没有字幕。成功取得日语字幕轨,并不满足获取英语的请求。

参考来源

如何只获取文本,不要时间戳?

可以将字幕文件导出为纯文本,或按顺序拼接各字幕条目的文字。如果之后可能需要引用某句话、制作片段或更正错误,请保留带时间信息的原始文件。删除时间戳很容易,但从一段文字恢复准确时间,是另一项对齐任务。

YouTube Shorts 和直播也有文字稿吗?

YouTube 为符合条件的 Shorts 和长视频提供自动字幕,但不保证一定可用。直播字幕与直播归档视频的字幕不一定相同:YouTube 表示,会为点播版本重新生成自动字幕。为了构建可复现的数据集,请记录所用版本和使用时间。

参考来源

官方 YouTube Data API 能返回任意公开视频的文字稿吗?

不能。经过 Google OAuth 授权的 captions.list 返回的是字幕轨元数据,而非实际文字。captions.download 用于获取字幕轨,但需要视频编辑权限。作为观众能够阅读文字稿,不等于拥有该 API 权限。

参考来源

是否包含说话者姓名和逐词时间戳?

无法保证。一个字幕条目可能覆盖整个短语,字幕轨可能标注说话者、标记声音,也可能两者都没有。如果需要知道谁在何时说话,应人工标注,或进行说话人分段识别并核验结果。如果需要每个词的发言时间,应根据实际录音进行词级对齐,而不是将字幕条目的时长平均分配给每个词。

YouTube 文字稿准确到可以直接引用吗?

用文字稿找到对应时间,再用录音核实引文。如果用英语引用日语说话者的发言,应说明措辞来自你自己的翻译、上传者字幕,还是配音。句子流畅,并不能证明某位说话者确实逐字说过这句话。

公开的 YouTube 文字稿可以用于模型训练,或作为数据集分享吗?

仅仅能够公开访问,并不代表获准用于这两种用途。应明确哪些授权涵盖收集、训练,以及文本或媒体的任何再分发;这些需要分别判断。然后再判断标签是否适合任务:即使一份英语译文已获授权,它仍可能不适合作为英语语音识别的参考文本。YouTube 的许可指南说明了标准许可与知识共享署名许可的区别。

参考来源

为什么再次获取的文字稿不一样?

检查视频、音频语言、字幕语言和字幕轨来源。你可能在比较两条不同的字幕轨。即使是同一个视频,内容也可能变化:创作者可以修改文本或时间信息,并发布修订版字幕轨。在获准的情况下保留获取日期、版本或内容哈希,便于区分是字幕被修改,还是你的选择策略发生了变化。

参考来源
Markdown