什么是视频原文转写？
YouTube 视频原文转写，为翻译做准备：按实际所说的语言转写语音，并标明识别到的语种。结果是带时间戳的句子级文本，这正是翻译环节需要的输入——整句而不是字幕碎片，以及在措辞被改动之前的原始记录。字幕时间轴可以直接沿用同样的断行。
为什么选择视频原文转写？
翻译质量取决于它起步时拿到的文本。工具先把这份文本做出来：原话措辞、按句切分、标明口述语种、附上时间。译者、字幕工具或双语同事因此从干净的输入开始，而不是从一次粗听的转述开始。原文站住了，后面的取舍才有依据。
团队里没人听得懂这段外语视频，却要决定怎么处理？
视频送到手上，房间里没人会说那种语言，通常的做法是猜标题，再把某人潦草的笔记交给机器翻译。错误会叠加：打错的人名、漏掉的从句，后面都找不回来。工具先把原文立住，标明检测到的语言，每行带时间戳，后面的翻译才有可靠的起点，译者不必靠猜补齐听不清的部分。
视频原文转写有什么不同？
它把常被混在一起的两件事分开：先固定原话，再翻译。这个页面只负责前一件，把后一件留给译者和字幕工具。
每次转写标明源语种
按整句断行便于翻译
保留时间轴对接字幕
如何用视频原文转写，三步完成
- 1
添加 YouTube 视频
无论是文件还是媒体链接，按到手的形式打开即可。没人会说的语言和本地语言走同一条流程。
- 2
确认源语言
自动识别会标出视频里说的语言。说话人开场用一种语言、之后换成另一种时，手动指定更可靠。
- 3
导出文稿交给翻译
通读草稿，核对人名和数字，再复制文本，或带时间戳导出，交给译者或字幕工具。
从必须跨过语言障碍的视频开始。原话会整理成带时间戳的文稿并标明口述语种，翻译从文本起步。
转写原语种用户怎么评价视频原文转写
“讲座录音终于变成了能搜索的笔记，而不是硬盘里几小时的音频。”
“开会时我不再记笔记了，改成会后再看转写稿。”
“带时间戳的稿子让我这一遍剪辑的时间差不多省了一半。”
“在九十分钟的访谈里找一句话，现在只要几秒。”
“有了说话人标签，多人访谈的编码工作轻松太多了。”
关于视频原文转写的常见问题
会直接输出译文吗？
不会。页面返回的是原语种文稿，连同识别到的语言和每行的时间戳。这份文本是译者或翻译工具的输入，译文的措辞属于另一个步骤，由读者已经信任的工具完成。两步分开，原文才有机会先被核对。把它当成翻译的底稿，而不是成品。
为什么先转写，再翻译？
翻译会固定一些很难回退的选择，而一段从未写下来的话，听的人也无从核对。从文稿开始，审校者可以先读原文、确认人名和数字，再对着措辞逐句翻译，出了问题也能回到具体那一行。直接听音频翻译，等于把听错和译错叠在一起。
语言是怎么识别出来的？
识别器对音频取样，判断听到的是哪种语言，并把标签和文稿一起显示。录音清晰、全程使用一种语言时，判断比较可靠。视频开场用一种语言、后面换成另一种时，分两次处理并手动指定语种，结果会干净得多。标签会随文稿保留，方便译者确认。
转写会保留原视频的专有名词吗？
会尽量保留读音，但拼写不一定正确，尤其是人名、机构名和产品名。这类词在普通口语里少见，识别容易给出同音写法。导出前在文稿里统一改一次即可；交给译者时，附一份术语对照表会更稳妥，也能减少来回确认，省去反复核对。
为什么按整句断行？
字幕碎片按固定间隔切开，经常把从句拦腰截断，这对翻译是最糟的输入。这里的行跟着句子边界走，译者可以一句一句处理，不必先把碎句拼回去；字幕工具也能在稳定的结构上重新对时。句式完整，译文的语序才容易安排。
支持哪些语言？
大约一百种口语可以转写并识别。无论哪一种，文稿都保持原语种，不会在转写阶段被换成别的语言。这意味着读者完全不懂的语言，也能带着一份可靠的原文交给译者，而不是只递过去一个视频链接。语种标签会随文稿一起保留。
时间轴能拿来做字幕吗？
可以。每一行都保留语音开始和结束的时刻，用文稿生成的字幕文件一开始就有可用的时间。长停顿和抢话可能还需要小幅调整，但结构已经在了，而手工做字幕最慢的正是这一步。调整通常只是推几帧，不必重做整条时间轴。
圆桌或访谈能处理吗？
两人以上说话时会标出轮次，这对翻译很关键：提问和回答必须分开，译文才不会把两个意思接在一起。圆桌和访谈受益最多。只有一位讲述者时，文本按连续段落排下来，标注反而多余。轮次标错时，可以在文稿里手动调整归属。