# YouTube 文字稿与字幕：从单个视频到训练数据集

了解如何获取 YouTube 文字稿，区分创作者字幕、自动生成字幕和翻译字幕，并为训练数据集匹配文本与音频。

规范链接： https://flashdata.dev/zh/docs/guides/youtube-transcripts-and-captions
FlashData · 来源核查日期： 2026-11-19

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。

<a id="get-text-from-one-video"></a>

## 如何在不下载视频的情况下获取 YouTube 文字稿


- [YouTube：查看视频文字稿](https://support.google.com/youtube/answer/15930243?hl=en)

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。

- [字幕设置](https://support.google.com/youtube/answer/100078?co=GENIE.Platform%3DAndroid&hl=en)
- [YouTube：音轨设置](https://support.google.com/youtube/answer/13339776?hl=en)

<a id="save-your-captions"></a>

### 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。

- [下载或修改字幕](https://support.google.com/youtube/answer/2734705?hl=en)
- [添加字幕或同步文稿](https://support.google.com/youtube/answer/2734796?hl=en)

<a id="when-there-is-no-track"></a>

### 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`：

- [whisper.cpp 快速入门](https://github.com/ggml-org/whisper.cpp#quick-start)

**使用 whisper.cpp 转写本地录音**

```bash
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。

<a id="what-captions-subtitles-and-transcripts-are"></a>

## 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。

- [W3C：字幕与翻译字幕](https://www.w3.org/WAI/media/av/captions/)

**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。

- [W3C：文字稿](https://www.w3.org/WAI/media/av/transcripts/)

<a id="the-three-types-of-youtube-captions"></a>

## 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。 |

- [YouTube Studio：修改字幕](https://support.google.com/youtube/answer/2734705?hl=en)
- [YouTube：自动字幕](https://support.google.com/youtube/answer/6373554?hl=en)
- [YouTube：字幕翻译](https://developers.google.com/youtube/data/reference/rest/v3/captions/download)

<a id="why-one-video-can-have-several-english-texts"></a>

### 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。

- [首选音频语言](https://support.google.com/youtube/answer/13339776?hl=en)
- [YouTube 自动字幕](https://support.google.com/youtube/answer/6373554?hl=en)

<a id="choose-a-format"></a>

## 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。

- [WebVTT 格式](https://www.w3.org/TR/webvtt1/)
- [YouTube 支持的字幕格式](https://support.google.com/youtube/answer/2734698?hl=en)

**带时间信息的 WebVTT 字幕条目**

```vtt
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。

<a id="build-a-transcript-dataset"></a>

## 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。 |

- [HowTo100M](https://www.di.ens.fr/willow/research/howto100m/)

<a id="record-the-audio-and-caption-pair"></a>

### 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**

```json
{
  "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。

<a id="check-the-collection"></a>

### 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。

- [词错误率](https://www.nist.gov/system/files/documents/2021/08/03/OpenASR20_EvalPlan_v1_5.pdf)
- [YouTube 许可类型](https://support.google.com/youtube/answer/2797468?hl=en)
- [YouTube 服务条款](https://www.youtube.com/static?template=terms)

<a id="retrieve-existing-tracks-with-flashdata"></a>

## 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。

- [YouTube Transcript API](https://flashdata.dev/zh/docs/sources/youtube_transcript/reference.md)
- [YouTube Captions API](https://flashdata.dev/zh/docs/sources/youtube_captions/reference.md)

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**

```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']}")
```

<a id="caption-language-and-source"></a>

### 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。

- [yt-dlp：YouTube 字幕轨名称](https://github.com/yt-dlp/yt-dlp/blob/master/yt_dlp/extractor/youtube/_video.py)

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`。

<a id="request-more-than-one-caption-language"></a>

### 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。

<a id="missing-or-failed-captions"></a>

### 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。

- [提供翻译字幕时的 HTTP 429](https://flashdata.dev/zh/docs/guides/youtube-transcripts-and-captions/reference.md#why-does-yt-dlp-report-http-429-for-youtube-auto-translated-captions)

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 Download API](https://flashdata.dev/zh/docs/sources/youtube_download/reference.md)
- [带时间戳字幕操作指南](https://flashdata.dev/zh/docs/guides/timestamped-captions-recipe/reference.md)
- [Bulk 文件指南](https://flashdata.dev/zh/docs/guides/bulk/reference.md)

<a id="youtube-transcript-faq"></a>

## YouTube 文字稿常见问题


<a id="can-i-get-a-youtube-transcript-for-free-without-downloading-the-video"></a>

### 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。

- [查看视频文字稿](https://support.google.com/youtube/answer/15930243?hl=en)

<a id="why-is-there-no-transcript-when-i-can-see-subtitles-in-the-picture"></a>

### 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。

<a id="can-i-get-english-text-if-the-audio-is-in-another-language"></a>

### 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。

- [YouTube 字幕语言](https://support.google.com/youtube/answer/100078?co=GENIE.Platform%3DAndroid&hl=en)

<a id="does-auto-generated-mean-machine-translated"></a>

### “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。

<a id="why-does-yt-dlp-report-http-429-for-youtube-auto-translated-captions"></a>

### 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。

- [yt-dlp #13831：维护者置顶说明](https://github.com/yt-dlp/yt-dlp/issues/13831#issuecomment-3712613129)

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。

- [HTTP 429 与 Retry-After](https://datatracker.ietf.org/doc/html/rfc6585#section-4)

<a id="how-do-i-get-just-the-text-without-timestamps"></a>

### 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。

<a id="are-transcripts-available-for-youtube-shorts-and-livestreams"></a>

### 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。

- [YouTube 自动字幕](https://support.google.com/youtube/answer/6373554?hl=en)

<a id="does-the-official-youtube-data-api-return-transcripts-for-any-public-video"></a>

### 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。

- [captions.list](https://developers.google.com/youtube/data/reference/rest/v3/captions/list)
- [captions.download](https://developers.google.com/youtube/data/reference/rest/v3/captions/download)

<a id="are-speaker-names-and-word-by-word-timestamps-included"></a>

### 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。

<a id="are-youtube-transcripts-accurate-enough-to-quote"></a>

### 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。

<a id="can-public-youtube-transcripts-be-used-to-train-a-model-or-shared-as-a-dataset"></a>

### 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。

- [YouTube 许可指南](https://support.google.com/youtube/answer/2797468?hl=en)

<a id="why-is-a-transcript-different-when-i-fetch-it-again"></a>

### 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。

- [YouTube：修改或移除字幕](https://support.google.com/youtube/answer/2734705?hl=en)
