Можно ли извлечь расшифровку субтитров из видео на YouTube?
У нас более 200 веб-трансляций на YouTube, и каждая длится не менее часа. YouTube имеет скрытые субтитры для всех видео, но, похоже, у пользователей нет возможности их получить.
Я попробовал URL-адрес в этом блоге, но он не работает с нашими видео.
http://googlesystem.blogspot.com/2010/10/download-youtube-captions.html
В следующем документе говорится, что только владелец канала может сделать это через стандартный интерфейс YouTube: https://developers.google.com/youtube/2.0/developers_guide_protocol_captions?hl=en
Дешевое решение: вы можете нажать на кнопку «интерактивный транскрипт» и таким образом скопировать содержимое. Конечно, вы теряете миллисекунды таким образом.
Чрезвычайно дешевое решение: общая учетная запись YouTube, чтобы несколько человек могли редактировать и загружать файлы с субтитрами.
Сложное решение: API YouTube позволяет загружать и загружать файлы субтитров через HTTP... Вы можете написать приложение API YouTube, чтобы предоставить пользовательский интерфейс браузера для загрузки или загрузки для ЛЮБОГО пользователя или конкретных пользователей.
Вот пример проекта для этого в Java http://apiblog.youtube.com/2011/01/youtube-captions-uploader-web-app.html
Вот очень простой пример рабочей загрузки для всех: http://yt-captions-uploader.appspot.com/
Вот как получить расшифровку видео на YouTube (если доступно):
Хотя синтаксис может быть немного глупым, это довольно хорошее решение.
Источник: http://ccm.net/faq/40644-youtube-how-to-get-the-transcript-of-a-video
Другой вариант — использовать youtube-dl:
youtube-dl --skip-download --write-auto-sub $youtube_url
Формат по умолчанию — vtt, а другой доступный формат — 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
Вы можете использовать ffmpeg для преобразования файла субтитров в другой формат:
ffmpeg -i input.vtt output.srt
Вот как выглядят субтитры VTT:
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>
Вот те же субтитры без верхней части файла и без тегов:
00:00:01.429 --> 00:00:04.249 align:start position:0%
ladies and gentlemen I'd like to thank
00:00:04.249 --> 00:00:04.259 align:start position:0%
ladies and gentlemen I'd like to thank
00:00:04.259 --> 00:00:05.930 align:start position:0%
ladies and gentlemen I'd like to thank
you for coming tonight especially at
00:00:05.930 --> 00:00:05.940 align:start position:0%
you for coming tonight especially at
00:00:05.940 --> 00:00:07.730 align:start position:0%
you for coming tonight especially at
such short notice
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 sure mr. Irving will fill you in on
00:00:09.620 --> 00:00:09.630 align:start position:0%
I'm sure mr. Irving will fill you in on
00:00:09.630 --> 00:00:11.030 align:start position:0%
I'm sure mr. Irving will fill you in on
the circumstances that's brought us
Вы можете видеть, что каждый текст субтитров повторяется три раза. Каждая восьмая строка (3-я, 11-я, 19-я и 27-я) содержит новый текст субтитров.
Это преобразует субтитры VTT в более простой формат:
sed '1,/^$/d' *.vtt| # remove the part at the top
sed 's/<[^>]*>//g'| # remove tags
awk -F. 'NR%8==1{printf"%s ",$1}NR%8==3' # print each new subtitle text and its start time without milliseconds
Вот как выглядит вывод команды выше:
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
Это печатает скрытые титры видео в упрощенном формате:
cap()(cd /tmp;rm -f -- *.vtt;youtube-dl --skip-download --write-auto-sub -- "$1";sed '1,/^$/d' -- *.vtt|sed 's/<[^>]*>//g'|awk -F. 'NR%8==1{printf"%s ",$1}NR%8==3')
Команда ниже загружает субтитры всех видео на канале. Когда есть ошибка, такая как Unable to extract video data, -i (--ignore-errors) заставляет youtube-dl пропускать видео вместо выхода с ошибкой.
youtube-dl -i --skip-download --write-auto-sub -o '%(upload_date)s.%(title)s.%(id)s.%(ext)s' https://www.youtube.com/channel/$channelid;for f in *.vtt;do sed '1,/^$/d' "$f"|sed 's/<[^>]*>//g'|awk -F. 'NR%8==1{printf"%s ",$1}NR%8==3'>"${f%.vtt}";done
cap() для печати в файл, а не в терминале.
- person Kim Stacks; 09.12.2019
Вы можете просмотреть/скопировать/загрузить xml-файл с временным кодом файла скрытых субтитров YouTube, открыв
http://video.google.com/timedtext?lang=[LANGUAGE]&v=[YOUTUBE VIDEO IDENTIFIER]
Например http://video.google.com/timedtext?lang=pt&v=WSVKbw7LC2w
ПРИМЕЧАНИЕ. Этот метод не загружает автоматически сгенерированные субтитры, даже если вы правильно выбрали язык (возможно, для автоматически сгенерированных языков существует специальный код).
Вы можете скачать субтитры потоковой передачи с YouTube с помощью KeepSubs DownSub и SaveSub.
Вы можете выбрать автоматический расшифровку или субтитры, предоставленные автором. Он также предлагает возможность автоматического перевода английских субтитров на другие языки с помощью Google Translate.
(Обязательно: «вероятно, это внутренний интерфейс youtube.com, который может сломаться в любой момент»)
Вместо ссылки на другой инструмент, который делает это, вот ответ на вопрос, как это сделать
Используйте fiddler или средства разработки вашего браузера (например, Chrome) для проверки HTTP-трафика youtube.com, и есть ответ от /api/timedtext, который содержит информацию о субтитрах в формате XML.
Кажется, такой ответ:
<p t="0" d="5430" w="1">
<s p="2" ac="136">we've</s>
<s t="780" ac="252"> got</s>
</p>
<p t="2280" d="7170" w="1">
<s ac="243">we're</s>
<s t="810" ac="233"> going</s>
</p>
означает, что в момент времени 0 это слово we've, а в момент времени 0+780 это слово got, а в момент времени 2280+810 это слово going и т. д. Это время указано в миллисекундах, поэтому для времени 3090 вы хотите добавить &t=3 к URL-адресу.
Вы можете использовать любой инструмент, чтобы объединить XML во что-то удобочитаемое, но вот мой Power BI Desktop скрипт для поиска таких слов, как привилегия:
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"
timedtext. Затем вы можете щелкнуть правой кнопкой мыши и открыть этот URL-адрес на новой вкладке, и он предоставит XML-документ стенограммы с информацией о времени.
- person chunk_split; 03.12.2020
Существует бесплатный инструмент для Python под названием API расшифровки YouTube.
Вы можете использовать его в скриптах или как инструмент командной строки:
pip install youtube_transcript_api
С видео на YouTube, обновленным по состоянию на июнь 2020 года, все очень просто.
Вы получите файл .sbv
Выберите Open Transcript из раскрывающегося списка ... справа от голосов за/против и поделитесь ссылками.
Это откроет прокручиваемый div Transcript с правой стороны.
Затем вы можете использовать Copy. Обратите внимание, что вы не можете использовать Select All, но вам нужно щелкнуть верхнюю строку, затем прокрутить вниз с помощью ползунка прокрутки, а затем щелкнуть последнюю строку, удерживая клавишу Shift.
Обратите внимание, что вы также можете искать в этом тексте, используя обычный поиск на веб-странице.
Я просто легко сделал это вручную, открыв стенограмму в начале видео, щелкнув левой кнопкой мыши и перетащив маркер времени 00:00 с нажатой клавишей Shift на несколько строк в начале.
Затем я продвинул видео почти до конца. Когда видео остановилось, я щелкнул конец последнего предложения, еще раз удерживая клавишу Shift. С помощью CTRL-C я скопировал текст в буфер обмена и вставил его в редактор.
Сделанный!
Предупреждение: убедитесь, что RDP-Windows не использует общий буфер обмена или программное обеспечение, такое как Teamviewer, запущено одновременно, так как эта процедура переполнит их буферы, где копируется большой объем текста.
