Chronometrica 與 SIÁN 比較：TikTok 既有字幕，還是透過語音轉文字產生的新文字？

決定哪些文字可納入研究

先確定研究對象，也就是研究要檢視的事物。接著說明哪些文字來源可以代表它。

如果你研究的是平台字幕本身，既有字幕軌就是證據的一部分。它的用字、語言，以及是否缺失，都很重要。新產生的逐字稿或許有助於理解影片，但在這類分析中，它不能取代缺失的字幕軌。

如果你研究的是口語內容，透過語音轉文字產生的新文字可能是允許使用的來源。你仍須決定，研究是否全程使用產生的文字，或只在部分個案使用。請在得知哪些影片缺少字幕之前，先寫下這項規則。

翻譯是另一項選擇。它會改變用於編碼的文字語言。允許新轉錄的規則，不一定也要允許翻譯。同樣地，要求英文字幕軌，也不代表要求把其他字幕軌翻譯成英文。

寫一份簡短方針，回答以下4個問題：

1. 我們研究的是既有字幕，還是語音音訊？
2. 是否允許軟體產生新的逐字稿？
3. 哪些語言符合條件？是否允許翻譯？
4. 無法取得可用文字時，我們會如何報告？

將這份方針與研究記錄一併保存。它能為之後的每項決定提供明確依據。它也能避免因為採集時的實務選擇，在未留下記錄的情況下改變研究問題。

限制較嚴格的規則也可能有用。要求既有英文字幕的研究，可能只能接受較少的影片進行文字分析。就它的研究問題而言，這可能是正確的結果。更多可用文字，只有在仍符合已聲明規則、可作為有效證據時，才有用處。

依已核查的適用情況比較2個 Actor

Actor 是在託管環境中執行的資料採集程式。這2個 Actor 提供不同的影片文字取得方式。本文使用的公開產品規格已於2026年10月20日核查。本文未針對文字準確度、時間準確度、成本、規模或可靠性進行相同條件的比較測試。

此表描述的是文件記載的產品規格。它不能證明文件未記載的功能不存在。Chronometrica 規格、Chronometrica 輸入、SIÁN 規格、SIÁN 輸入

如果目標是維持使用平台字幕的研究方法，Chronometrica 很適合。它讀取既有的公開字幕軌，並在無法取得字幕或所要求的語言時，回報明確結果。它不會進行語音轉文字、不會下載音訊來轉錄，也不會翻譯文字。這是會改變推薦選擇的主要限制。Chronometrica 規格

先依研究規則做選擇。檔案格式和後續表格整理，應在這項選擇之後處理。

定義樣本並建立來源記錄表

樣本是為研究選定的一組影片。記錄表則記下這些輸入，以及每項輸入的處理結果。

採集前先定義樣本。記錄每部影片納入樣本的理由。如有穩定的影片識別碼，請使用它，並保留提交的連結。這有助於找出重複輸入，同時保留其歷程。

同時訂定語言規則。僅限英文的研究，與多語言研究需要不同的規則。對多語言研究，應說明哪些原始語言符合條件，以及研究者將如何審查。不要讓簡短輸入範例所用的語言，意外成為研究方針。

每筆文字記錄都應保留原文、語言、來源 URL 和觀察時間。未知值應維持未知。不要把缺失的時長、語言或其他值改成0。

在研究記錄表中加入由你自行定義的欄位，例如 `text_source`。使用 `platform_caption` 和 `new_speech_to_text` 等值。這個欄位屬於你的記錄表，並不是 Chronometrica 原生的輸出欄位。

對沒有文字的記錄，請保留結果狀態與原因。不要指定從未採集到的文字來源。如果之後加入產生的逐字稿，請將其來源與採集記錄，和先前的字幕缺失結果分開保存。

譯文也應與原始語言文字分開保存。研究者應能分辨哪些文字是採集而來、哪些是從音訊產生，以及哪些經過翻譯。

這種結構讓你能調整規則允許的採集步驟，同時保留證據的歷程。它也提供足夠資訊，讓審查者能將已編碼的段落追溯至影片與文字來源。

採集完整樣本前，先檢查一份小型清單

使用一份內容已知的小型清單，檢查輸入與輸出是否符合你的方針。清單應包含相關且獲准使用的研究影片。目的是在開始完整採集前，檢視實際的結果狀態與文字。

Chronometrica 透過 `preferredLanguages` 接受語言偏好設定。如果無法取得所要求的語言，它會回傳狀態，而不會改用其他字幕軌或翻譯字幕軌。輸入結構定義

以下輸入已依公開的結構定義核對，但未實際執行。這部公開影片出現在結構定義範例與已儲存的 Task 中。目前是否能取得它的字幕仍屬未知。請將它換成相關且獲准使用的研究影片。

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

這項輸入要求的是英文字幕，不是英文翻譯。如果無法取得所要求的字幕語言，請保留 `language_unavailable`。輸入結構定義

Task 是已儲存的輸入預設設定。公開的內容分析資料集 Task可作為這種方法的起點。它的存在不能證明某部影片目前有字幕。

依書面規則檢視第一批結果。確認你能保留缺失個案、辨識重複輸入，並將可用文字連回來源。擴大採集前，先解決記錄表設計中不符需求的地方。增加批次大小，無法修正合格文字定義不清的問題。

計算可用率前，先逐一核對結果

Chronometrica 會為每項提交的影片輸入回傳1列結果。該列包含輸入參照、影片詳細資料、語言、文字、字幕片段、狀態、狀態原因、計費狀態及採集時間。批次摘要名為 `OUTPUT`。Actor 規格

使用 `inputIndex` 和 `inputUrl`，將結果列連回提交的清單。如有 `videoId` 和 `videoUrl`，請保留。將 `languageCode` 和 `scrapedAt` 與文字一併保存。成功取得的 `segments` 內含 `startSeconds`、`endSeconds` 和 `text`。這些欄位保留回報的字幕時間區間。Actor 規格

將某列視為可用文字之前，先讀取 `status` 和 `statusReason`。相關的明確狀態包括 `succeeded`、`no_public_captions`、`language_unavailable` 和 `duplicate_input`。其他無法存取或失敗的結果，仍須各自區分。Actor 規格

進行以下簡短檢查：

1. 將每列結果對應至1項已提交的輸入。
2. 依狀態計算結果數量，並與 `OUTPUT` 比較。
3. 找出重複提交的項目，並確認它們各自對應哪部不重複影片。
4. 套用已聲明的語言與文字來源規則。
5. 保留所有尚未解決的個案及其實際原因。
6. 使用已聲明的不重複影片數計算可用率。

分母是分數下方所用的總數。計算文字可用率時，應使用已聲明樣本中的不重複影片數。不要縮小分母，只納入回傳可用文字的影片。

重複提交的項目需要謹慎處理。保留其結果列，以便檢查採集情況。但當研究單位是1部不重複影片時，不要將同一部影片計算2次。

字幕缺失的結果列，不等於成功取得但內容為空的逐字稿。計算字詞數或進行主題編碼之前，請保留這項區別。否則，無法取得的文字可能被誤認為影片沒有內容可說。

逐步檢視以8部影片為樣本的虛構研究

以下是虛構的研究範例。這些數量不是採集結果、基準測試或客戶成果。

研究定義了8項不重複的影片輸入。最初的規則要求使用平台既有的英文字幕。5部影片有符合條件的可用字幕。2部影片可成功解析，但沒有公開字幕軌。1部影片只有其他語言的字幕。

依此規則，原生字幕可用率為：

5 / 8 × 100 = 62.5%。

3部影片缺少合格文字。請分別保留原因：2部沒有公開字幕軌，1部缺少所要求的語言。單一的不可用數量有助於呈現總數，但無法解釋這些不同的結果。

現在假設研究允許為2部沒有字幕的影片，透過語音轉文字產生新的英文逐字稿。這項方針仍未解決另1部只有其他語言字幕的個案。取得7部影片的文字後，混合方法下的可用率變為：

7 / 8 × 100 = 87.5%。

文字可用率的變化為：

87.5 − 62.5 = 25個百分點。

原生字幕可用率仍為62.5%。新產生的2份逐字稿並未變成平台字幕。25個百分點的變化，描述的是採用更廣泛方法後的文字可用率，並不代表準確度提升。

在記錄表中，將5筆字幕記錄標為 `platform_caption`。將2筆新產生的記錄標為 `new_speech_to_text`。保留先前沒有字幕的結果，讓記錄仍能說明為何使用文字產生步驟。

如果研究檢視的是平台字幕，就分析5筆合格的原生字幕記錄，並報告3個不可用個案。如果研究檢視的是口語內容，且允許產生文字，SIÁN 可能適合新增的轉錄階段。SIÁN 規格

兩種選擇都不能證明缺少字幕的影片具有共同的政治觀點或其他特徵。此範例也不能證明任何一種方法沒有偏差。它說明的是，在原始樣本不變的情況下，來源規則如何改變合格文字的範圍。

內容分析前先核查文字

內容分析使用已說明的規則來分類文字。研究者常將這個步驟稱為編碼。編碼前，請將選定段落與影片核對。

聆聽該段內容，並將聽到的字詞與文字記錄比較。檢查名稱、數字、否定詞，以及會影響預定分類的詞語。例如，漏掉「不」字可能使句子的意思相反。

也要抽查時間。確認記錄的時間區間對應相關段落。成功讀取資料，不能證明每個字詞或時間都正確。

對每種允許使用的文字來源，都採用明確說明的審查流程。記錄檢查過哪些段落，以及如何處理修正。如果修正文字，請保留採集版本，並標明用於編碼的修正版。這樣就能保留來源記錄，供後續審查。

對翻譯文字，請保留原文，並標明翻譯版本。不要在未說明的情況下，把兩者合併到同一個文字欄位。報告應清楚指出，編碼所用的文字來自哪個版本。

接著整理分析表。TikTok 論文逐字稿指南說明了下一階段。本文比較的是文字來源的選擇：研究者應先決定哪些文字可納入研究，再整理文字以供分析。

在報告中說明樣本定義、語言方針、允許使用的來源，以及缺失個案的處理方式。列出合格數量，並以已聲明的完整分母作比較。如果採用混合方法，請分別報告原生字幕可用率與總文字可用率。

將尚未解決的個案納入報告。讀者需要知道哪些地方無法取得文字，以及這如何限制分析。清楚交代缺失的證據，也是結果的一部分。