youtube - YouTube：如何从 YouTube 视频中提取隐藏式字幕脚本？

Question

是否可以从 YouTube 视频中提取隐藏式字幕记录？

我们在 YouTube 上有 200 多个网络广播，每个至少一小时。YouTube 为所有视频提供了隐藏式字幕，但用户似乎无法获得它。

我尝试了此博客中的 URL，但它不适用于我们的视频。

http://googlesystem.blogspot.com/2010/10/download-youtube-captions.html

score 78 · Accepted Answer

以下是获取 YouTube 视频脚本（如果可用）的方法：

转到 YouTube 并打开您选择的视频。
单击“共享”按钮旁边的“更多操作”按钮（3 个水平点）。
点击“打开成绩单”

虽然语法可能有点傻，但这是一个很好的解决方案。

来源：http ://ccm.net/faq/40644-youtube-how-to-get-the-transcript-of-a-video

score 58 · Accepted Answer

另一种选择是使用youtube-dl：

youtube-dl --skip-download --write-auto-sub $youtube_url

默认格式是vtt，其他可用格式是ttml( --sub-format ttml)。

--write-sub
       Write subtitle file

--write-auto-sub
       Write automatically generated subtitle file (YouTube only)

--all-subs
       Download all the available subtitles of the video

--list-subs
       List all available subtitles for the video

--sub-format FORMAT
       Subtitle format, accepts formats preference, for example: "srt" or "ass/srt/best"

--sub-lang LANGS
       Languages of the subtitles to download (optional) separated by commas, use --list-subs for available language tags

您可以使用ffmpeg将字幕文件转换为另一种格式：

ffmpeg -i input.vtt output.srt

在 VTT 字幕中，每个字幕文本重复 3 次，每八行有一个新的字幕文本：

WEBVTT
Kind: captions
Language: en

00:00:01.429 --> 00:00:04.249 align:start position:0%

ladies<00:00:02.429><c> and</c><00:00:02.580><c> gentlemen</c><c.colorE5E5E5><00:00:02.879><c> I'd</c></c><c.colorCCCCCC><00:00:03.870><c> like</c></c><c.colorE5E5E5><00:00:04.020><c> to</c><00:00:04.110><c> thank</c></c>

00:00:04.249 --> 00:00:04.259 align:start position:0%
ladies and gentlemen<c.colorE5E5E5> I'd</c><c.colorCCCCCC> like</c><c.colorE5E5E5> to thank
 </c>

00:00:04.259 --> 00:00:05.930 align:start position:0%
ladies and gentlemen<c.colorE5E5E5> I'd</c><c.colorCCCCCC> like</c><c.colorE5E5E5> to thank
you<00:00:04.440><c> for</c><00:00:04.620><c> coming</c><00:00:05.069><c> tonight</c><00:00:05.190><c> especially</c></c><c.colorCCCCCC><00:00:05.609><c> at</c></c>

00:00:05.930 --> 00:00:05.940 align:start position:0%
you<c.colorE5E5E5> for coming tonight especially</c><c.colorCCCCCC> at
 </c>

00:00:05.940 --> 00:00:07.730 align:start position:0%
you<c.colorE5E5E5> for coming tonight especially</c><c.colorCCCCCC> at
such<00:00:06.180><c> short</c><00:00:06.690><c> notice</c></c>

00:00:07.730 --> 00:00:07.740 align:start position:0%
such short notice


00:00:07.740 --> 00:00:09.620 align:start position:0%
such short notice
I'm<00:00:08.370><c> sure</c><c.colorE5E5E5><00:00:08.580><c> mr.</c><00:00:08.820><c> Irving</c><00:00:09.000><c> will</c><00:00:09.120><c> fill</c><00:00:09.300><c> you</c><00:00:09.389><c> in</c><00:00:09.420><c> on</c></c>

00:00:09.620 --> 00:00:09.630 align:start position:0%
I'm sure<c.colorE5E5E5> mr. Irving will fill you in on
 </c>

00:00:09.630 --> 00:00:11.030 align:start position:0%
I'm sure<c.colorE5E5E5> mr. Irving will fill you in on
the<00:00:09.750><c> circumstances</c><00:00:10.440><c> that's</c><00:00:10.620><c> brought</c><00:00:10.920><c> us</c></c>

00:00:11.030 --> 00:00:11.040 align:start position:0%
<c.colorE5E5E5>the circumstances that's brought us
 </c>

这会将 VTT 字幕转换为更简单的格式：

sed '1,/^$/d' *.vtt| # remove the lines at the top of the file
sed 's/<[^>]*>//g'| # remove tags
awk -F. 'NR%4==1{printf"%s ",$1}NR%4==3' | # print each new subtitle text and its start time without milliseconds
awk NF\>1 # remove lines with only one field

输出：

00:00:01 ladies and gentlemen I'd like to thank
00:00:04 you for coming tonight especially at
00:00:05 such short notice
00:00:07 I'm sure mr. Irving will fill you in on
00:00:09 the circumstances that's brought us

在我测试过的大约 10% 的视频中（例如p9M3shEU-QM和aE05_REXnBc），有时会有一个字幕文本在前一个文本之后 12 行而不是 8 行出现。我的解决方法是每四行打印一次，然后删除只有一个字段的空行。

这是一个函数，它接受一个或多个视频、播放列表或频道的 ID 或 URL 作为参数：

cap()(printf %s\\n "${@-$(cat)}"|parallel -j10 -q youtube-dl -i --skip-download --write-auto-sub -o '%(upload_date)s.%(title)s.%(uploader)s.%(id)s.%(ext)s' --;for f in *.vtt;do sed '1,/^$/d' -- "$f"|sed 's/<[^>]*>//g'|awk -F. 'NR%4==1{printf"%s ",$1}NR%4==3'|awk NF\>1>"${f%.vtt}";rm -- "$f";done)

如果您使用上述功能下载频道或播放列表中的所有视频，有时需要-i( ) 选项，因为它会导致在下载单个视频出错时不会出错退出。--ignore-errorsyoutube-dl

score 22 · Accepted Answer

您可以通过访问查看/复制/下载 youtube 的隐藏式字幕文件的时间编码 xml 文件

http://video.google.com/timedtext?lang=[LANGUAGE]&v=[YOUTUBE VIDEO IDENTIFIER]

例如http://video.google.com/timedtext?lang=pt&v=WSVKbw7LC2w

注意：此方法不会下载自动生成的隐藏式字幕，即使您使用正确的语言（可能有自动生成语言的特殊代码）。

score 20 · Accepted Answer

以下文件说只有频道的所有者可以通过标准 youtube 界面执行此操作： https ://developers.google.com/youtube/2.0/developers_guide_protocol_captions?hl=en

廉价修复：您可以单击“交互式转录”按钮 - 并以这种方式复制内容。当然，您会以这种方式失去毫秒数。

非常便宜的修复：一个共享的 youtube 帐户 - 以便多人可以编辑和上传字幕文件。

具有挑战性的解决方案：youtube API 允许通过 HTTP 下载和上传字幕文件......您可以编写一个 youtube API 应用程序来提供浏览器用户界面，以便为任何用户或特定用户上传或下载。

这是 java http://apiblog.youtube.com/2011/01/youtube-captions-uploader-web-app.html中的示例项目

这是一个非常简单的上传工作示例：http: //yt-captions-uploader.appspot.com/

score 9 · Accepted Answer

您可以使用以下方式从 YouTube 下载流媒体字幕~~保持订阅~~ DownSub和SaveSubs。

您可以从自动成绩单或作者提供的隐藏式字幕中进行选择。它还提供了使用谷歌翻译自动将英文字幕翻译成其他语言的可能性。

score 8 · Accepted Answer

（强制性“这可能是一个内部 youtube.com 界面，可能随时中断”）

这里没有链接到执行此操作的另一个工具，而是对“如何执行此操作”问题的答案

使用fiddler或您的浏览器开发工具（例如 Chrome）来检查 youtube.com HTTP 流量，并且有一个响应/api/timedtext包含作为 XML 的隐藏字幕信息。

似乎是这样的回应：

    <p t="0" d="5430" w="1">
        <s p="2" ac="136">we&#39;ve</s>
        <s t="780" ac="252"> got</s>
    </p>
    <p t="2280" d="7170" w="1">
        <s ac="243">we&#39;re</s>
        <s t="810" ac="233"> going</s>
    </p>

表示 at time0是 wordwe've并且 at time0+780是 wordgot并且 at time2280+810是 wordgoing等。这个时间以毫秒为单位，因此对于时间 3090，您需要附加&t=3到 URL。

您可以使用任何工具将 XML 拼接成可读的内容，但这是我的Power BI Desktop脚本，用于查找“特权”之类的词：

let
    Source = Xml.Tables(File.Contents("C:\Download\body.xml")),
    #"Changed Type" = Table.TransformColumnTypes(Source,{{"Attribute:format", Int64.Type}}),
    body = #"Changed Type"{0}[body],
    p = body{0}[p],
    #"Changed Type1" = Table.TransformColumnTypes(p,{{"Attribute:t", Int64.Type}, {"Attribute:d", Int64.Type}, {"Attribute:w", Int64.Type}, {"Attribute:a", Int64.Type}, {"Attribute:p", Int64.Type}}),
    #"Expanded s" = Table.ExpandTableColumn(#"Changed Type1", "s", {"Attribute:ac", "Attribute:p", "Attribute:t", "Element:Text"}, {"s.Attribute:ac", "s.Attribute:p", "s.Attribute:t", "s.Element:Text"}),
    #"Changed Type2" = Table.TransformColumnTypes(#"Expanded s",{{"s.Attribute:t", Int64.Type}}),
    #"Removed Other Columns" = Table.SelectColumns(#"Changed Type2",{"s.Attribute:t", "s.Element:Text", "Attribute:t"}),
    #"Replaced Value" = Table.ReplaceValue(#"Removed Other Columns",null,0,Replacer.ReplaceValue,{"s.Attribute:t"}),
    #"Filtered Rows" = Table.SelectRows(#"Replaced Value", each [#"s.Element:Text"] <> null),
    #"Added Custom" = Table.AddColumn(#"Filtered Rows", "Time", each [#"Attribute:t"] + [#"s.Attribute:t"]),
    #"Filtered Rows1" = Table.SelectRows(#"Added Custom", each ([#"s.Element:Text"] = " privilege" or [#"s.Element:Text"] = " privileged" or [#"s.Element:Text"] = " privileges" or [#"s.Element:Text"] = "privilege" or [#"s.Element:Text"] = "privileges"))
in
    #"Filtered Rows1"

score 6 · Accepted Answer

有一个名为YouTube 成绩单 API的免费 python 工具

您可以在脚本中使用它或将其用作命令行工具：

pip install youtube_transcript_api

score 4 · Accepted Answer

随着 2020 年 6 月更新的 YouTube 视频，它非常简单

选择喜欢/不喜欢按钮旁边的 3 个点以打开更多菜单选项
选择“添加翻译”
选择语言
如果需要，请单击自动生成
单击操作 > 下载

您将获得 .sbv 文件

score 2 · Accepted Answer

Open Transcript从...向上/向下投票右侧的下拉列表中选择并共享链接。

这将Transcript在右侧打开一个滚动 div。

然后您可以使用Copy. 请注意，您不能使用Select All但需要单击顶行，然后使用滚动拇指滚动到底部，然后按住 shift 单击最后一行。

请注意，您也可以使用普通网页搜索在此文本中进行搜索。

score 0 · Accepted Answer

我只是通过在视频开头打开脚本并在时间 00:00 标记处单击并拖动鼠标左键并在开始时在几行上按下 shift 键来轻松手动完成此操作。

然后我将视频推进到接近尾声。当视频停止时，我点击了最后一句话的结尾，同时再次按住 shift 键。使用 CTRL-C 我将文本复制到剪贴板并将其粘贴到编辑器中。

完毕！

警告：确保没有 RDP-Windows 共享剪贴板或 Teamviewer 等软件同时运行，因为此过程将溢出其缓冲区，复制大量文本。

youtube - YouTube：如何从 YouTube 视频中提取隐藏式字幕脚本？

10 回答 10

Related

Reference