Genauigkeit
Gescrapte Untertitel sind kein Transkript
Auto-Untertitel wurden gebaut, um unter einem Video durchzulaufen, nicht um als Text gelesen zu werden. Zieh sie heraus, und die Nähte zeigen sich: keine Satzzeichen, keine Sprecher, dieselben Worte dreifach wiederholt.
Wofür Auto-Untertitel eigentlich da sind
YouTubes automatische Untertitel sind eine live rollende Einblendung. Jede Zeile erscheint auf dem Bildschirm und wird einen Moment später von der nächsten ersetzt - ein Anzeigeformat, kein Dokumentformat.
Scrape diesen Feed, und du bekommst genau das, wofür er gebaut wurde: Fragmente, getaktet auf einen Videoplayer, nicht Sätze, getaktet auf einen Leser.
Das Problem der rollenden Untertitel
Weil Untertitel scrollen, tauchen dieselben Worte oft über zwei oder drei aufeinanderfolgende Zeilen auf, während die Anzeige aufholt - eine Phrase einmal gesprochen, dreimal aufgeschrieben. Zieh den rohen Feed, und du erbst diese Duplikate.
Lege dazu keine Satzzeichen und keine Sprecherwechsel, und ein gescraptes Transkript liest sich wie eine Wand aus wiederholten, aneinandergereihten Fragmenten - technisch die richtigen Worte, praktisch schwer zu benutzen.
Transkription startet beim Audio, nicht bei den Untertiteln
Echte Transkription scrapt nicht, was YouTube angezeigt hat. Sie jagt das Audio durch ein ASR-Modell und baut segmentierten Text von Grund auf - mit Satzgrenzen und Sprecherwechseln, basierend darauf, was tatsächlich gesagt wurde.
Das ist eine strukturell andere Ausgabe: saubere Zeilen statt einer rollenden Einblendung, die in eine Datei gekippt wurde.
Wie Vocateca beide Fälle behandelt
Vocateca kann YouTube-Audio selbst transkribieren, auf dem Gerät, statt nur Untertitel abzuziehen. Wenn es doch Untertitel liest, dedupliziert es zuerst die rollende Einblendung - fasst die wiederholten Zeilen wieder zur einen tatsächlich gesprochenen Zeile zusammen - bevor der Text neu aufgebaut wird.
So oder so bekommst du eine saubere, zeitgestempelte Zeile pro Segment, nicht drei überlappende Kopien desselben Satzes.