YouTube文字起こしの言語確認：ChronometricaとPinto Studioの比較

アプリケーションに必要な言語確認情報で選ぶ

まず、受け入れ基準を決めます。ある研究では、中国語の字幕だけを受け入れるかもしれません。別のプロジェクトでは、利用できる字幕ならどの言語でも受け入れるかもしれません。基準が違えば、収集されるテキストも変わります。

Chronometricaのビルド0.1.43では、`preferredLanguages`を優先順に指定できます。リストに言語を指定すると、その指定が厳密に適用されます。要求した言語が1つも利用できない場合、仕様では課金対象外の失敗`LANGUAGE_UNAVAILABLE`を`OUTPUT`に記録します。この結果は、返された文字起こしレコードを格納する成功データセットには入りません。言語リストが空の場合は、利用可能な中で最適な字幕を選びます。特定の言語への制限は適用されません。入力スキーマ、仕様、確認したビルド

成功した行には、次のフィールドが出力されます。

• `requestedLanguageCodes`：要求した言語のコード。
• `transcriptLanguageCode`と`transcriptLanguageName`：選択された文字起こしの言語。
• `availableLanguageCodes`：利用可能な字幕言語を示す情報。
• `languageMatch`：言語の一致を示す情報。

テキストをコーパスに加える前に、これらのフィールドを確認します。要求時の設定だけでは、返されたテキストの言語を証明できません。出力仕様

表の出典：Chronometricaの仕様、Chronometricaの入力、Pinto Studioの仕様、Pinto Studioの入力。

切り替える主な理由は、Chronometricaが仕様に記載する言語確認情報と、言語が一致しない場合の記録が必要なことです。現在の処理ですでに受け入れ基準を満たしているなら、切り替えるほどの必要性はないかもしれません。

Pinto Studioの言語に関するIssueを経緯とともに読む

Pinto Studioの公開Issueには、`targetLanguage`が返される字幕の言語を決めるのかという質問があります。この議論には、過去の代替言語への切り替え処理に関する説明も含まれます。2026年8月26日付のメンテナーの更新では、対象言語の処理を改善し、正常に動作していると述べています。このIssueは、言語の受け入れ判断に関する実際の疑問を示します。現在、代替言語への切り替えに不具合があることを示すものではありません。公開Issueとメンテナーの更新

Pinto Studioのビルド1.0.63は、要求した言語の字幕を取得すると案内しています。READMEでは、開始時刻、継続時間、テキストを持つ構造化されたセグメントを説明しています。FAQでは、YouTubeが提供または自動翻訳した字幕に言及しています。これは、Pinto Studio自体が翻訳を生成するという意味ではありません。現在の仕様とFAQ、確認したビルド

確認したインターフェースでは、要求した言語が利用できない場合の具体的な結果は明らかになっていません。アプリケーションでその動作を前提にする前に、確認してください。過去の議論や、言語を厳密に制限するスイッチがないことだけでは、現在の結果を判断できません。現在の入力スキーマ、Issueの履歴

既存の字幕トラックが基準を満たすか確認する

Chronometricaは、既存の公開字幕を抽出します。存在しない言語のトラックを翻訳で補ったり、音声から文字起こしを作成したりはしません。現在の仕様は、手動作成の字幕だけを取得する機能や、字幕トラックを一覧表示する独立した操作も保証していません。特定の言語だけでなく、字幕の作成元も指定する必要があるプロジェクトでは、これらの制限が重要です。Chronometricaの仕様

言語を制限するコーパスでは、受け入れる言語コードを明示します。複数の言語を受け入れる場合は、優先順も決めます。言語を厳密に指定する要求には、受け入れ可能な言語だけを入れます。

次に、選択された言語を示す情報と、その基準を照合します。利用可能な言語の一覧は、判断の参考になります。受け入れ判断の対象は、返されたテキストの元になったトラックです。

後で文字起こしを翻訳する場合は、別の処理として記録します。翻訳済みのテキストがあっても、最初に抽出したトラックが要求した言語だった証明にはなりません。記録では、元の言語と翻訳後の言語を区別してください。

収集予定のソースが3件ある架空の判断例

これは架空の例です。Actorの実行結果、ベンダーのテスト、顧客事例ではありません。

ある研究では、中国語の字幕だけを受け入れます。入力予定の動画は3件あります。この架空の例では、2件に利用可能な中国語トラックがあります。3件目には、一致する言語がありません。

研究では、2件の文字起こしテキストを受け入れます。3件目の言語に関する結果は、別に記録します。予定したソースに対する受け入れ済みソースの割合は、次のとおりです。

受け入れ済みの入力2件 / 予定した入力3件 × 100 = 66.67%。

この割合は、架空の収集対象内での受け入れ状況を示します。実測した抽出成功率ではありません。

未解決の動画に英語トラックがあっても、研究の基準は満たしません。中国語を要求したというだけで、その英語テキストを受け入れることはできません。研究では、受け入れ済みソースの割合を計算する分母に、予定した入力3件すべてを含める必要があります。

未解決の入力には、専用の記録が必要です。これは、テキストが空の成功した文字起こしではありません。後の処理で受け入れ可能なテキストを取得できた場合は、以前の結果を確認できる状態で、記録を更新できます。

元の言語を問わず受け入れるプロジェクトでは、別の基準を使えます。その基準は明示する必要があります。後で翻訳する場合も、別の処理として扱います。

Chronometricaの仕様にある選択言語のフィールドと`LANGUAGE_UNAVAILABLE`という結果は、この研究の受け入れ記録に適しています。この例は、現在のPinto Studioが3件目の動画に対して何を返すかを示すものではありません。Chronometricaの出力仕様

簡潔な言語受け入れ手順を適用する

1. 基準を書きます。受け入れる字幕言語を一覧にします。代わりの言語を許可するかどうかも明示します。抽出前に、入力予定のソース数を記録します。
2. 要求を設定します。Chronometricaでは、`preferredLanguages`を明示的に指定します。各入力の失敗について、安全性に配慮した詳細情報を保持するため、`includeFailedInputDetails`は`true`のままにします。言語リストが空の場合は、利用可能な中で最適な字幕を選びます。入力スキーマ
3. 両方の結果記録を読みます。成功データセットと`OUTPUT`を合わせて確認します。成功しなかった各結果を予定したソースと対応付けられるよう、入力を識別するために必要な情報を残します。出力仕様
4. 成功した各テキストを確認します。`requestedLanguageCodes`、`transcriptLanguageCode`、`languageMatch`を基準と照合します。言語名と利用可能な言語を示す情報は、判断の参考にします。情報が基準を満たす場合だけ、テキストを受け入れます。出力フィールド
5. 一致する言語がない結果は、分けて管理します。`LANGUAGE_UNAVAILABLE`は、受け入れ済みコーパスの外に記録します。不明な値は、不明のまま保持します。欠けているテキストや言語の値を0に置き換えないでください。
6. 既存の処理を確認します。返された情報とアプリケーション側の確認で基準を満たせるなら、その処理を使い続けます。一致する言語がない場合に特定の結果が返ることを前提にする前に、その動作を確認します。
7. 件数を報告します。当初予定した入力数に対して、受け入れ済みと未解決の入力数を報告します。後で翻訳した場合は、別の処理だと明記します。

Actorが基準の適用を支援する場合でも、受け入れ基準を管理するのはアプリケーションです。

見つけた動画からコーパスを作る全体の手順については、YouTube文字起こしコーパスのガイドを参照してください。この比較では、各テキストを受け入れるために必要な言語確認情報の選択に焦点を当てています。

要求する言語を明示的に設定する

Taskは、保存済みの入力設定です。公開されているYouTube文字起こし抽出Taskを出発点にできます。2026年10月20日の確認では、このページは正常なページ応答を示すHTTP 200を返しました。保存済みの入力内容は確認していません。基準に必要なフィールドは、明示的に設定してください。

この入力例は、簡体字中国語の言語コード`zh-Hans`を要求します。この例は、保存した現行の公開スキーマに対する静的な検証に合格しました。この検証では、入力を仕様に記載された入力規則と照合しました。入力は実行していません。動画URLは入力形式を示すためのもので、現在の字幕の有無を示すものではありません。

{
  "startUrls": [
    "https://www.youtube.com/watch?v=BPK_qzeH_yk"
  ],
  "preferredLanguages": [
    "zh-Hans"
  ],
  "includeFailedInputDetails": true
}

入力形式とフィールド設定は、確認したChronometricaの入力スキーマに従っています。例のURLと言語を、収集予定のソースと受け入れる言語に置き換えてください。