Chronometrica 与 Pinto Studio：YouTube 转录文本语言核验对比

选择应用所需的语言证据

首先，明确接收规则。一项研究可能只接受中文字幕。另一个项目可能接受任何可用语言的字幕。不同的规则会得到不同的采集结果。

Chronometrica 构建版本 0.1.43 接受按优先顺序排列的 `preferredLanguages`。列表非空时，会严格按列表限制语言。如果请求的语言均不可用，文档约定会在 `OUTPUT` 中记录不计费的 `LANGUAGE_UNAVAILABLE` 失败结果。此结果不进入成功数据集。成功数据集保存返回的转录文本记录。语言列表为空时，表示选择可用字幕中的最佳选项。这不会强制执行指定的语言限制。输入模式、文档约定、核查的构建版本

成功记录会提供以下字段：

• `requestedLanguageCodes`：请求的语言代码。
• `transcriptLanguageCode` 和 `transcriptLanguageName`：所选转录文本的语言。
• `availableLanguageCodes`：可用字幕语言的证据。
• `languageMatch`：语言是否匹配的证据。

将文本纳入语料库前，请检查这些字段。仅凭请求设置，无法证明返回文本的语言。输出约定

表格来源：Chronometrica 文档约定、Chronometrica 输入、Pinto Studio 文档约定、Pinto Studio 输入。

改用 Chronometrica 的主要理由，是需要其文档明确记载的语言证据和无匹配记录。如果现有流程已满足接收规则，这项需求可能不足以支持更换工具。

结合上下文理解 Pinto Studio 的语言问题

Pinto Studio 的一个公开问题询问，`targetLanguage` 是否决定返回字幕的语言。讨论中包含对过去回退行为的解释。维护者在 2026年8月26日的更新中表示，目标语言处理已得到改进，现已正常工作。该问题表明，用户确实关心如何按语言接收文本。但它不能证明目前仍有回退故障。公开问题及维护者更新

Pinto Studio 构建版本 1.0.63 宣称提供请求语言的字幕。其 README 描述了包含开始时间、时长和文本的结构化片段。其常见问题提到由 YouTube 提供或自动翻译的字幕。这并不表示 Pinto Studio 自行生成翻译。当前文档约定及常见问题、核查的构建版本

核查的接口未明确说明语言不可用时的具体结果。在应用依赖这一行为之前，请先验证。旧讨论或缺少严格语言开关，都无法证明当前会返回什么结果。当前输入模式、问题历史

检查现有字幕轨是否符合规则

Chronometrica 提取已有的公开字幕。它不会通过翻译补出缺失的字幕轨，也不会通过语音识别创建转录文本。其当前文档约定也未承诺仅提供人工字幕，或提供单独列出字幕轨的操作。如果项目既要求特定语言，也要求特定字幕来源，这些限制就会影响选择。Chronometrica 文档约定

对于有语言限制的语料库，请明确可接受的语言代码。如果接受多种语言，请明确优先顺序。严格限制语言的请求中，只应包含可接受的语言。

然后，按规则检查所选语言的证据。可用语言列表用于提供背景信息。是否接收文本，取决于实际提供返回文本的字幕轨。

如果之后翻译转录文本，请将翻译记录为独立流程。翻译后的文本不能证明最初提取的字幕轨使用了请求语言。请在记录中区分源语言和翻译语言。

以 3 个计划来源为例的虚构决策

本例为虚构示例。它不是 Actor 运行结果、供应商测试或客户案例。

一项研究只接受中文字幕。它计划输入 3 个视频。在这个虚构示例中，2 个输入有可用的中文字幕轨。第 3 个输入没有匹配语言。

该研究接收了 2 份转录文本，并单独记录第 3 个输入的语言处理结果。已接收来源的覆盖率为：

2 个已接收输入 / 3 个计划输入 × 100 = 66.67%。

这个百分比衡量的是该虚构采集任务中的接收比例。它不是实测的提取成功率。

如果尚未解决的视频有英文字幕轨，该字幕轨也不符合研究规则。请求中文字幕，并不会让英文文本变得可接受。计算覆盖率时，研究必须将全部 3 个计划输入都计入总数。

尚未解决的输入需要单独记录。它不属于成功但没有文本的转录结果。如果后续流程取得了可接受的文本，研究可以更新记录，同时保留先前的处理结果。

接受任何源语言的项目可以使用不同规则，但必须明确该规则。后续翻译仍应视为独立流程。

Chronometrica 文档明确记载的所选语言字段和 `LANGUAGE_UNAVAILABLE` 结果，符合这项研究的接收记录需求。本例未声称当前 Pinto Studio 会为第 3 个视频返回什么结果。Chronometrica 输出约定

采用一套简单的语言接收方法

1. 写明规则。列出可接受的字幕语言。说明是否允许替代语言。提取前，记录计划输入的来源数量。
2. 设置请求。使用 Chronometrica 时，请明确填写 `preferredLanguages`。将 `includeFailedInputDetails` 保持为 `true`，以保留可安全记录的各输入失败详情。语言列表为空时，表示选择最佳可用字幕。输入模式
3. 读取两类结果记录。结合成功数据集和 `OUTPUT` 查看结果。保留足够的输入标识信息，以便将每个未成功的结果对应到计划来源。输出约定
4. 检查每份成功返回的文本。按规则核对 `requestedLanguageCodes`、`transcriptLanguageCode` 和 `languageMatch`。将语言名称和可用语言证据作为背景信息。只有证据符合规则时，才接收文本。输出字段
5. 单独保留无匹配结果。将 `LANGUAGE_UNAVAILABLE` 记录在已接收的语料库之外。未知值应保持为未知。不要用 0 替代缺失的文本或语言值。
6. 检查现有流程。如果返回的证据和应用自身的检查符合规则，就继续使用。在依赖某种特定结果之前，先验证无匹配语言时的处理方式。
7. 报告数量。以最初的计划输入总数为基准，报告已接收和未解决的输入数量。将后续翻译标记为独立流程。

即使 Actor 协助执行接收规则，应用仍须负责制定和执行该规则。

如需了解从已发现的视频构建文本集合的完整流程，请参阅 YouTube 转录文本语料库指南。本文聚焦于一个更具体的选择：接收每份文本需要哪些语言证据。

明确设置请求语言

Task 是已保存的输入预设。公开的 YouTube 转录文本提取 Task 可用作起点。在 2026年10月20日的核查中，该页面返回了 HTTP 200，表示页面响应成功。核查未读取其已保存的输入。请明确设置规则所需的字段。

这个输入示例请求 `zh-Hans`，即简体中文的语言代码。它通过了针对已保存的当前公开输入模式的静态检查。该检查将输入与文档记载的输入规则进行了对照。此输入未实际运行。视频 URL 仅用于展示输入格式，不能证明目前有可用字幕。

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

输入格式和字段设置遵循已核查的 Chronometrica 输入模式。请将示例 URL 和语言替换为你的计划来源和可接受的语言。