Comment vérifier les mots des sous-titres TikTok avant une recherche

Configuration et témoin de la transcription native

Un Actor est un programme hébergé qui collecte des données web, et une Task est une configuration d'entrée enregistrée. L'entrée d'exemple actuelle de la Task contient un tableau startUrls avec une URL de vidéo de Hank Green `https://www.tiktok.com/@hankgreen1/video/7047596209028074758` et une liste preferredLanguages vide `[]`. Remplacez toute cette liste d'exemple par votre seule adresse prévue de vidéo publique connue dans startUrls. Utilisez preferredLanguages `["en"]` seulement si votre étude a une règle de langue anglaise déclarée. Utilisez une liste vide `[]` pour sélectionner la première piste de sous-titres publique, dans n'importe quelle langue. Exécutez d'abord ce pilote sur une seule vidéo pour vérifier que des sous-titres publics existent sur votre source cible. Une erreur sémantique est un changement de sens qui affecte le codage de votre étude.

Le build public actuel 0.1.36 de TikTok Transcript accepte startUrls avec 1 à 100 URL de vidéos publiques connues, liens courts ou identifiants numériques de vidéo. Il ne recherche pas les profils, les mots-clés ni les pages de son. Le champ preferredLanguages sélectionne les pistes publiques existantes dans l'ordre de préférence. Une liste vide utilise la première piste publique. Il ne traduit pas, ne transcrit pas l'audio non capturé, ne collecte pas les commentaires et n'infère pas de codes de contenu.

Une ligne du jeu de données représente chaque entrée soumise, y compris les résultats de statut non facturables. Les champs exacts sont inputIndex, inputUrl, videoId, videoUrl, authorHandle, durationSeconds, languageCode, text, et segments avec startSeconds, endSeconds et text, plus status, statusReason, isBillable et scrapedAt. Utilisez directement les startSeconds et endSeconds renvoyés. Conservez les identifiants de vidéo sous forme de chaînes. La langue des sous-titres peut utiliser une valeur régionale comme eng-US. Un transcript null ou vide avec un statut d'échec n'équivaut pas à une absence réelle de parole.

Les statuts comprennent succeeded, no_public_captions, language_unavailable, duplicate_input, not_tiktok, invalid_input, unsupported_url, video_unavailable, not_public, blocked_or_challenged, ainsi que les échecs d'extraction ou de sous-titres. Le succès exige un texte non vide. La valeur true pour isBillable signifie un événement de résultat de transcription native réussi. Les autres lignes restent des preuves. L'utilisation de la plateforme est distincte d'un événement de résultat, donc ne dites pas que l'exécution entière est gratuite. Les champs de comptabilité de l'exécution comprennent inputsReceived, resultRows, billableTranscriptRows, nonBillableResultRows, duplicateVideosSkipped et statusCounts.

Le témoin anglais sur une seule vidéo a réussi avec l'identifiant de vidéo exact demandé, un texte non vide et douze segments qui suivent la structure de minutage vérifiée. Cela prouve un chemin de sous-titres publics sur cette source, et non pour toutes les vidéos, ni une exactitude parfaite des mots prononcés, ni la validité du codage. Commencez votre propre pilote sur une seule vidéo avec preferredLanguages réglé sur en seulement si l'anglais est la langue déclarée de votre étude.

Méthode d'audit complète

1. Indiquez ce dont votre étude a besoin dans les mots, par exemple une instruction particulière, une affirmation ou une négation. Choisissez des vidéos connues selon une règle d'échantillon déclarée, une langue et une fenêtre de temps. Les sous-titres manquants ne peuvent pas recevoir un score d'erreur égal à zéro.
2. Conservez sans changement le texte natif des sous-titres, le minutage, l'identité de la source et le temps. Partez d'une piste succeeded au texte non vide. Enregistrez languageCode et status. Comparez seulement un intervalle déclaré dont l'audio peut être écouté clairement. C'est un audit des mots de la parole, pas l'exactitude de l'ensemble du contenu vidéo.
3. Écoutez l'audio de la vidéo pour l'intervalle sélectionné et écrivez un transcript de référence humain sans regarder les sous-titres. Revérifiez les mots incertains ou demandez à un second réviseur d'écouter aussi. Si l'audio est peu clair ou inaudible, marquez ces mots et retirez-les selon votre règle déclarée plutôt que de deviner. Un transcript de référence humain est un relevé de comparaison vérifié, mais les réviseurs humains peuvent encore faire des erreurs.
4. Déclarez la normalisation du texte comme des changements explicites et standardisés appliqués à votre texte de travail avant la notation. Convertissez tout le texte en minuscules, retirez la ponctuation standard et séparez les mots par les espaces en jetons de mots simples. Conservez dans votre texte de travail les nombres, les mots de négation comme not, les formes exactes des mots et les mots de remplissage comme um ou ah. Ne retirez pas les terminaisons des mots et ne convertissez pas les mots en formes racines de dictionnaire. Gardez votre texte brut et votre texte de travail côte à côte pour suivre chaque changement.
5. Alignez les mots de référence avec les mots des sous-titres dans l'ordre. Une substitution est un mot aligné différent. Une suppression est un mot de référence absent des sous-titres. Une insertion est un mot de sous-titre absent de la référence. Enregistrez les lignes alignées exactes.
6. Définissez N comme le nombre de mots de référence, et S, D et I comme les nombres d'erreurs alignées pour les substitutions, les suppressions et les insertions. Le rapport d'erreur de mots est égal à parenthèse ouvrante S plus D plus I parenthèse fermante divisé par N. Multipliez par 100 pour obtenir le pourcentage. N doit être positif. Les insertions peuvent faire dépasser 100 pour cent au rapport.
7. Pour un échantillon combiné, utilisez le total des erreurs divisé par le total des mots de référence pour le rapport de mots regroupé. Conservez aussi les résultats par vidéo. Montrez séparément les échantillons manquants ou non notés. Un échantillon de convenance ne peut pas établir l'exactitude pour toutes les vidéos.
8. Ajoutez des notes d'erreur sémantique pour la négation, les nombres, les noms, les unités, l'attribution au locuteur ou les omissions qui affectent le code de l'étude. Une erreur d'un seul mot peut inverser le sens. Décidez s'il faut corriger une copie d'analyse séparée, exclure ou revoir un passage, ou utiliser un codage manuel. Conservez les corrections, l'heure, la source et la provenance. N'écrasez pas les sous-titres bruts.

Exemples résolus et alignements

Toute la notation est manuelle et les exemples sont fictifs : aucune exécution NIST n'a été effectuée.

Pour l'alignement fictif A, le texte de référence de 5 mots est "i water the red plant" et le texte des sous-titres est "i water a red plan".

L'alignement fictif A contient S égal à 2, D égal à 0 et I égal à 0. Le rapport d'erreur de mots est 2 divisé par 5, ce qui égale 40 pour cent.

Pour l'alignement fictif B, le texte de référence de 10 mots est "we do not add water until the tray is level" et le texte des sous-titres est "we do add water until the tray is level".

L'alignement fictif B contient S égal à 0, D égal à 1 et I égal à 0 sur le mot not. Chaque autre mot de référence s'aligne une seule fois. Le rapport d'erreur de mots est 1 divisé par 10, ce qui égale 10 pour cent.

Malgré un rapport de mots plus bas, la suppression inverse l'instruction. Enregistrez une erreur de négation critique et gardez ce passage marqué pour revue.

La moyenne non pondérée des pourcentages d'erreur des vidéos est (40+10)/2=25%. Le rapport d'erreur de mots regroupé sur les deux vidéos est (2+1)/(5+10)=3/15=20%. Une moyenne non pondérée donne 25 % parce qu'elle applique une pondération égale à chaque vidéo, quelle que soit la longueur. Le calcul regroupé donne 20 % parce qu'il pondère chaque erreur par le total des mots de référence sur l'ensemble de l'échantillon.

L'exemple C a la référence "water" (N égal à 1) et le sous-titre "please add clean water now", avec 0 substitution, 0 suppression et 4 insertions, ce qui donne 4 divisé par 1, soit un rapport d'erreur de mots de 400 pour cent. Une ligne de sous-titres en échec a des nombres d'erreurs inconnus et reste non notée, ce qui est distinct d'une erreur de 0 pour cent.