Как получить текст из видео на YouTube, Reels и TikTok — с таймкодами, SRT и VTT

На выходе у расшифровки не один, а три вида записи, и выбирать надо под задачу, а не «чтобы было». Сплошной текст абзацами нужен для цитат, поста, описания, черновика статьи — там время неважно. Субтитры с таймингами — для того, что поедет в плеер, в монтаж или на площадку: каждая реплика знает, когда началась и когда закончилась.

Третий вид — таймкоды для глав. Это тот же текст, только с отметками вроде 00:00, 04:12, 11:38, которые можно вставить в описание длинного ролика, чтобы зритель прыгал по смысловым кускам. Полезно, когда расшифровка уже есть, а ролик длинный и его надо разложить на отрезки для описания или нарезки.

Дальше всё зависит от площадки: где-то текст лежит готовым и его достаточно забрать, где-то его придётся распознавать из звука. Об этом — следующий раздел.

YouTube генерирует авто-субтитры на своей стороне: распознаёт звук и хранит результат у себя, поэтому под роликом появляется кнопка «Субтитры», а в студии автора — дорожка текста. Их можно забрать, если автор их не отключил и если площадка успела их сгенерировать. Бывает и так, что субтитров нет: ролик свежий, язык распознавания не поддерживается или автор просто не дал тексту появиться.

У Reels и TikTok такой готовой дорожки нет. Площадки показывают субтитры поверх видео, но расшифровку не отдают: это часть плеера, не файл. Значит, любой текст из чужого ролика там приходится получать самому — скачать звук и распознать его заново. То же правило работает и для чужого YouTube-ролика, где субтитры отключены.

Разница принципиальная: авто-субтитры площадки — чужой инструмент, ты не влияешь ни на язык, ни на разбивку, ни на аккуратность. Своё распознавание — твой результат, его можно перепроверить, поправить и забрать в нужном формате. Ниже — как это выглядит по площадкам.

Порядок простой: сначала смотри, есть ли готовые субтитры, и только потом, если их нет или они читаются как каша, распознавай звук заново. Так не тратишь время на повторную работу, которая уже сделана площадкой.

1. 1

   Скопируй ссылку на ролик

   Скопируй адрес видео из браузера или приложения. Ссылки youtu.be/X и watch?v=X&t=90 — один и тот же ролик, распознавание это учитывает и не станет делать работу дважды.

2. 2

   Вставь её в поле транскрипта

   Открой инструмент и вставь ссылку. Профиль или канал вместо ролика поле отобьёт: расшифровки канала не бывает, только конкретного видео. Файл из медиатеки тоже принимается — видео или аудио не длиннее часа.

3. 3

   Посмотри, что нашлось под видео

   Если у ролика есть готовая дорожка субтитров, текст появится быстро и почти без ошибок. Если дорожки нет, включится распознавание звука — от собственной модели до облачной, если своя не справилась.

4. 4

   Забери текст в нужном виде

   На экране — текст абзацами, рядом скачивание SRT и VTT и кнопки перехода: отправить текст в сценарий или ссылку в нарезку на клипы. Абзацы собираются через пустую строку, поэтому текст сразу читается, а не лежит полотном.

5. 5

   Проверь стык на паузе

   Пролистай до места, где спикер сделал вдох или сменил тему. Реплика должна закрываться на паузе, а не посреди слова — если всё рвётся, текст можно распознать заново.

Отдельно стоит сказать про разбивку. Реплики режутся не по кускам распознавания, а по словам: фраза закрывается на конце предложения, на паузе от 0,8 с, на 84 знаках — это две строки по 42, потолок гайда субтитров Netflix — и на шести секундах. Иначе из получасового разговора выходили бы реплики по полстроки экрана, которые в плеере мигают и не читаются.

Тут готовой дорожки нет, поэтому путь один: достать звук и распознать. Ссылка на ролик подходит и для вертикальных записей, и для обычных видео — тип ссылки определится сам. Если ролик записан не с нуля, а вырезан из длинного, распознавание всё равно даст текст только этого куска: тайминги считаются от начала ролика, а не от начала исходника.

С Reels бывает отдельная история: прямая ссылка иногда не отдаётся, и тогда забор идёт через фолбек по источнику Instagram. Это работает не всегда — приватный аккаунт или изменившаяся разметка страницы могут сломать забор. Если ролик не тянется, скачай его через официальную выгрузку или приложение и распознай из файла: результат тот же, только исходник ты приносишь руками.

1. 1

   Скопируй ссылку на Reels или TikTok

   Подойдёт обычная публичная ссылка без сокращений и редиректов. Если ссылка ведёт на профиль, а не на ролик, поле её отобьёт.

2. 2

   Вставь ссылку и запусти распознавание

   Забор звука идёт своим способом для каждой площадки, а дальше — та же цепочка распознавания, что и для YouTube. Текст появится абзацами, тайминги будут считаться от начала ролика.

3. 3

   Если ссылка не отдалась — неси файл

   Скачай ролик и загрузи его в медиатеку. Принимается видео или аудио до часа: из файла звук вынимается в моно 16 кГц — этого хватает для распознавания речи.

4. 4

   Забери текст и реши, что дальше

   Из текста собираются субтитры для того же ролика, цитата для подписи или нарезка на клипы — вертикальная запись уже готова к тому, чтобы резаться по речи.

Именно для этого случая в Kutto есть инструмент, который берёт ссылку с любой из площадок — YouTube, Shorts, Reels, TikTok, VK — и возвращает текст абзацами, SRT и VTT. Дальше эти же тайминги работают входом для хуков, субтитров и клипов.

Все три формата несут один и тот же текст, разница только в том, что к нему приложено. TXT — это абзацы через пустую строку: чистый материал под цитату, пост, статью, черновик сценария. Времени там нет вообще, поэтому для субтитров он не годится.

SRT — стандарт субтитров: номер реплики, время начала и конца, строка текста, пустая строка, следующая реплика. Его понимают монтажки, плееры, редакторы субтитров и большинство площадок. VTT — родственник SRT из мира веба: та же структура, но со своей шапкой и настройками, поэтому его удобнее подключать к плееру на сайте или в приложении.

Реплики внутри SRT и VTT режутся по словам, а не по сегментам распознавания: сегмент бывает длиной в полминуты, и одной такой репликой субтитр не читается. Поэтому фраза закрывается по концу предложения, по паузе, по длине строки и по шести секундам максимум. Две строки делятся ближе к середине, с форой переносу после знака препинания — иначе во второй строке остаётся одно слово. Перекрывающиеся реплики подрезаются: иначе плеер показывает два субтитра сразу и текст прыгает.

Распознавание идёт на своей модели и денег не стоит: в Kutto транскрипт — 0 ₽, без доплаты с баланса. Если своя модель не осилила ролик, включается облачное звено, и оно уже уходит в ИИ-объём тарифа как «Тексты ИИ». Отдельной строки в прайсе у транскрипта нет — платить штуками за него не нужно.

По времени всё зависит от длины ролика и от того, откуда берётся звук. Короткий клип распознаётся заметно быстрее, чем интервью на час; скачивание исходника по ссылке — отдельный шаг, который тоже занимает своё. Точных секунд на минуту записи назвать нельзя: это зависит от очереди и от того, какая модель взяла задачу.

Повтор дешевле первого раза. Расшифровка хранится по ключу ролика, поэтому повторный запуск для той же ссылки отдаётся из кэша и заново ничего не считает. Для файла ключом служит сам файл: тот же ассет — тот же текст. Упавшая задача в кэш не попадает, её можно распознать заново. Результат расшифровки — это ещё и заготовка: из него собираются субтитры, хуки по первым фразам, таймкоды для описания и нарезка на клипы.

Быстрая проверка без всяких замеров точности: возьми кусок ролика с самой быстрой речью — первые тридцать секунд, где спикер частит, делает вдохи и перескакивает с темы на тему. Прогони его отдельно и прочитай текст вслух рядом с плеером. Смотри не на опечатки, а на стыки фраз: реплика должна закрываться на паузе, а не посередине слова.

Дальше три вещи, которые ломаются чаще всего. Имена собственные и названия — проверь по ролику, а не по памяти. Числа и даты — распознавание регулярно слышит «пятнадцать» там, где было «пятьдесят». Обрывки в самом начале и в конце, где спикер говорит поверх музыки: это первые кандидаты на правку.

• Сверь по ролику имена, бренды и термины — их распознавание коверкает чаще всего.
• Пролистай места, где два голоса накладываются: там перемешанные реплики.
• Проверь числа, даты и суммы: их надо слушать ушами, а не читать глазами.
• Проверь, что реплики не перекрывают друг друга — иначе в плеере субтитр прыгает.

Перед выгрузкой пройди по четырём пунктам: они занимают минуту и ловят почти все проблемы, из-за которых расшифровку приходится переделывать позже.

• Формат выбран под задачу: TXT — под цитаты и посты, SRT или VTT — под субтитры и монтаж, таймкоды — под описание.
• Имена, термины и числа сверены с роликом, а не с памятью.
• Стыки реплик ровные: фразы закрываются на паузах, наложений нет.
• Понятно, куда текст идёт дальше: в сценарий как материал или в нарезку как клипы и субтитры.

Текст — это только половина дела. Из него обычно собирают то, что поедет на площадку: субтитры поверх ролика, клипы из длинной записи или главы для описания. Kutto берёт ссылку или файл и отдаёт расшифровку с пословными таймингами — достаточно, чтобы резать по речи, а не на глаз.