Chronometrica 与 SIÁN：选择 TikTok 现有字幕，还是从语音生成新文本？

确定哪些文字应纳入研究

先明确研究对象，也就是研究要考察的事物。然后说明哪些文本来源可以代表它。

如果研究的是平台字幕本身，现有字幕轨道就是证据的一部分。它的措辞、语言和缺失情况都很重要。新生成的转录文本可能有助于理解视频，但在这类分析中，它不能替代缺失的字幕轨道。

如果研究的是口语内容，通过语音转文字生成的新文本可以是允许使用的来源。你仍需确定，是在整个研究中使用生成文本，还是只在部分案例中使用。应在查看哪些视频缺少字幕之前，写下这条规则。

是否翻译需要单独决定。翻译会改变用于编码的文本语言。允许新转录的规则，不必同时允许翻译。同样，请求英文字幕轨道，也不等于请求将其他字幕轨道翻译成英文。

写一份简短的规则，回答以下 4 个问题：

1. 我们研究的是现有字幕，还是音频中的语音？
2. 是否允许软件生成新的转录文本？
3. 哪些语言符合要求，是否允许翻译？
4. 当无法获得可用文本时，我们将如何报告？

将这份规则与研究记录一起保存。它能为后续每项决定提供明确依据。它也能防止实际采集中的选择在没有记录的情况下改变研究问题。

范围较窄的规则也可能有用。要求使用现有英文字幕的研究，可能只能将较少的视频纳入文本分析。对其研究问题而言，这可能正是正确的结果。只有仍然符合已声明规则、能够作为有效证据的文本，增加其数量才有意义。

根据已核查的适用情况比较这 2 个 Actor

Actor 是托管运行的数据采集程序。这 2 个 Actor 提供了获取视频文本的不同方法。本文使用的公开产品说明于 2026 年 10 月 20 日核查。本文没有在相同条件下测试文字准确性、时间准确性、成本、规模或可靠性。

此表介绍的是文档中记载的功能和行为。它不能证明文档未记载的功能不存在。Chronometrica 产品说明、Chronometrica 输入、SIÁN 产品说明、SIÁN 输入

如果目标是保持使用平台字幕的研究方法，Chronometrica 很适合。它读取现有的公开字幕轨道，并在字幕或所请求的语言不可用时返回明确结果。它不提供语音转文字功能，不下载音频进行转录，也不翻译文本。这是会改变推荐选择的主要限制。Chronometrica 产品说明

先根据研究规则做出选择。之后再考虑文件格式和后续的表格整理。

定义样本并建立来源记录表

样本是为研究选定的一组视频。记录表用于记录这些输入及每项输入的处理结果。

在采集前定义样本。记录每个视频纳入样本的原因。尽可能使用稳定的视频标识符，并保留提交的链接。这有助于发现重复输入，同时保留其历史记录。

同时制定语言规则。仅研究英文内容与研究多种语言，需要不同的规则。对于多语言研究，应说明哪些原文语言符合要求，以及研究者将如何审查这些内容。不要让简短输入示例中的语言意外成为研究规则。

为每条文本记录保留原始文本、语言、来源 URL 和观察时间。未知值应保持未知。不要将缺失的时长、语言或其他值替换为 0。

在研究记录表中添加自行管理的字段，例如 `text_source`。可以使用 `platform_caption` 和 `new_speech_to_text` 等值。这个字段属于你的记录表，并非 Chronometrica 自带的输出字段。

对于没有文本的记录，应保留结果状态和原因。不要为其指定从未采集到的文本来源。如果之后添加生成的转录文本，应将其来源和采集记录与先前的字幕缺失结果分开保存。

译文也应与原文分开保存。研究者应能分辨哪些文字是采集的，哪些是从音频生成的，哪些是翻译的。

采用这种结构，可以在允许的范围内调整采集步骤，而不改写证据的历史记录。它也能为审查者提供足够的信息，让其将已编码的段落追溯到对应的视频和文本来源。

采集全部样本前，先检查一份小规模清单

使用一份内容已知的小规模清单，检查输入和输出是否符合你的规则。清单中应包含相关且获准用于研究的视频。这样做的目的是在决定开展完整采集前，检查实际的结果状态和文本。

Chronometrica 通过 `preferredLanguages` 接收语言偏好。如果所请求的语言不可用，它会返回状态，而不会替换或翻译字幕轨道。输入结构定义

以下输入已对照公开的结构定义进行核查，但尚未运行。这个公开视频出现在结构定义的示例和已保存的 Task 中。目前是否有可用字幕尚不清楚。请将其替换为相关且获准用于研究的视频。

{
  "startUrls": [
    "https://www.tiktok.com/@hankgreen1/video/7047596209028074758"
  ],
  "preferredLanguages": [
    "en"
  ]
}

此输入请求的是英文字幕，并非英文翻译。如果所请求的字幕语言不可用，应保留 `language_unavailable`。输入结构定义

Task 是保存好的输入预设。公开的内容分析数据集 Task 可作为采用这一方法的起点。这个 Task 的存在，并不能证明某个视频目前有字幕。

根据书面规则检查首批结果。确认你能保留缺失案例、识别重复输入，并将可用文本关联到其来源。在扩大采集范围前，先解决记录表设计中不符合要求的部分。即使增加批量采集的规模，也无法弥补对合格文本定义不清的问题。

计算可用率前，核对每一项结果

Chronometrica 为每个提交的视频输入返回 1 行结果。该行包括输入引用信息、视频详情、语言、文本、字幕片段、状态、状态原因、计费状态和采集时间。其批次汇总名为 `OUTPUT`。Actor 产品说明

使用 `inputIndex` 和 `inputUrl` 将结果行关联到提交的清单。存在 `videoId` 和 `videoUrl` 时，应予以保留。将 `languageCode` 和 `scrapedAt` 与文本一起保存。成功获取的 `segments` 包含 `startSeconds`、`endSeconds` 和 `text`。这些字段保留了返回的字幕时间区间。Actor 产品说明

在将某行视为可用文本前，先读取 `status` 和 `statusReason`。相关的明确状态包括 `succeeded`、`no_public_captions`、`language_unavailable` 和 `duplicate_input`。其他无法访问或失败的结果仍应分别保留。Actor 产品说明

按以下简短清单检查：

1. 将每行结果与提交的输入匹配。
2. 按状态统计结果，并与 `OUTPUT` 比较。
3. 识别重复提交项，以及这些提交项对应的不同视频。
4. 应用已声明的语言和文本来源规则。
5. 保留所有未解决的案例及其实际原因。
6. 使用已声明的不重复视频数量计算可用率。

分母是分数下方使用的总数。计算文本可用率时，应使用已声明样本中的不重复视频数量。不要将分母缩减为仅包含返回可用文本的视频。

重复提交项需要谨慎处理。应保留对应的结果行，以便检查采集情况。但当研究单位是 1 个不重复的视频时，不要将同一个视频计算 2 次。

字幕缺失的结果行，不等于成功获取了内容为空的转录文本。在计算词数或进行主题编码前，应保留这一区别。否则，无法获取文本可能会被误解为视频没有任何表达内容。

用一个包含 8 个视频的虚构研究说明方法

以下是虚构的研究示例。这些数量并非采集结果、基准测试结果或客户成果。

该研究定义了 8 个不重复的视频输入。初始规则要求使用平台现有的英文字幕。5 个视频有符合要求的可用字幕。2 个视频可以解析，但没有公开字幕轨道。1 个视频只有其他语言的字幕。

按照这条规则，平台原有字幕的可用率为：

5 / 8 × 100 = 62.5%。

3 个视频缺少符合要求的文本。应分别保留原因：2 个视频没有公开字幕轨道，1 个视频没有所请求语言的字幕。合并统计缺少符合要求文本的视频数量，有助于得出总数，但不能解释这些不同的结果。

现在，假设研究允许通过语音转文字，为这 2 个无字幕视频生成新的英文文本。按照规则，那个只有其他语言字幕的案例仍未解决。此时有 7 个视频具备文本，混合方法下的可用率为：

7 / 8 × 100 = 87.5%。

文本可用率的变化为：

87.5 − 62.5 = 25 个百分点。

平台原有字幕的可用率仍为 62.5%。这 2 份生成的转录文本并未变成平台字幕。增加的 25 个百分点表示采用范围更广的方法后，文本可用率发生的变化。它不表示准确性有所提高。

在记录表中，将这 5 条字幕记录标记为 `platform_caption`。将这 2 条生成记录标记为 `new_speech_to_text`。保留先前的无字幕结果，使记录仍能说明为何使用生成文本。

如果研究考察的是平台字幕，应分析这 5 条符合要求的平台原有字幕记录，并报告那 3 个不可用案例。如果研究考察的是口语内容，并且允许生成文本，SIÁN 可能适合新增的转录步骤。SIÁN 产品说明

无论选择哪种方法，都不能证明缺少字幕的视频具有相同的政治观点或其他特征。这个示例也不能证明任何一种方法不存在偏差。它说明了在原始样本保持不变时，来源规则如何改变符合要求的文本范围。

内容分析前，先核查文字

内容分析使用明确的规则对文本进行分类。研究者通常将这一步称为编码。编码前，应对照视频检查选定的段落。

收听该段内容，并将听到的文字与文本记录比较。检查名称、数字、否定词，以及会影响预定分类的术语。例如，漏掉“not”一词，可能使句子的含义完全相反。

同时抽查时间信息。确认记录的时间区间对应相关段落。成功读取数据，并不能证明每个词或每个时间都正确。

对每种允许使用的文本来源，都应执行明确的审查流程。记录检查了哪些段落，以及如何处理更正。如果修改文本，应保留采集版本，并标明用于编码的更正版本。这样可以保留来源记录，供后续审查。

对于译文，应保留原文，并标明翻译版本。不要在未作说明的情况下，将两者合并到同一个文本字段。报告应明确指出，编码所用的文字来自哪个版本。

然后整理分析表。TikTok 论文转录文本指南 介绍了下一阶段。在整理分析表之前，必须先做出本文讨论的选择：确定哪些文本应纳入研究，再将其整理成适合分析的形式。

在报告中，说明样本定义、语言规则、允许的来源，以及缺失案例的处理方式。报告符合要求的数量时，应同时给出已声明的完整分母。如果使用混合方法，应分别报告平台原有字幕可用率和总体文本可用率。

在报告中保留未解决的案例。读者需要了解哪些地方无法获得文本，以及这会如何限制分析。清楚说明缺失的证据，也是研究结果的一部分。