浏览文档
指南
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
- 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。
- 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。
- 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。
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。
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:
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。
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。
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。 |
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。
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
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。
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。 |
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:
{
"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
- 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。
- 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。
- 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。
- 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。
- 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。
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:
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:
- 同语言语音识别(
youtube_asr):YouTube 对语音进行了转写。 - 上传者字幕(
uploader):文本由频道提供。 - 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。 - 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。
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。
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。
“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。
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。
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。
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?
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。