Transcribir YouTube y traducir a texto con timestamps

Para transcribir YouTube a texto, escribe lo que se dijo y luego traduce esas líneas. Lo que se traduce no es la imagen, sino las palabras habladas. YouTube puede mostrarte subtítulos mientras se reproduce un vídeo y, en algunos vídeos, el reproductor puede dibujar un subtítulo traducido sobre la imagen mientras lo ves. Esa superposición desaparece cuando sales. Una traducción que puedes citar, buscar o entregar a otra persona es una transcripción ya traducida, con cada línea apuntando todavía al momento original.

La página de ayuda para ver transcripciones de YouTube describe la vista de lectura: abre Mostrar transcripción en la descripción, sigue la línea actual y haz clic en una línea para saltar a ella. No describe un documento traducido ni cómo guardarlo. El resto de esta página es el orden que produce el documento. Genera la transcripción. Traduce las líneas. Conserva los tiempos donde estaban.

Por qué traducir una transcripción

La razón para traducir la transcripción, y no el archivo de vídeo, es que las palabras son lo que vas a reutilizar. Una clase que sigues mejor por escrito que de oído, una afirmación que necesitas citar en el idioma de tus apuntes y un fragmento que vas a subtitular para otro público parten todos del mismo objeto: las líneas habladas, en texto. Traducir el MP4 no produce ese texto. Doblarlo con una nueva pista de voz tampoco. Son trabajos distintos, y esta página no trata de ellos.

Algunos espectadores solo necesitan la superposición. Si el reproductor ya muestra una traducción y vas a verlo una sola vez, quédate ahí. Déjala cuando necesites el texto después de cerrar la pestaña, cuando tengas que buscar una frase o cuando la traducción deba pasar a un documento o a un editor. La superposición es una pantalla. La transcripción es el texto.

La transcripción también marca un límite claro sobre lo que se puede traducir. El habla entra en el alcance. Los rótulos incrustados, los tercios inferiores y otros textos pintados en la imagen no se leen, así que no se traducen. Un vídeo musical con poco o nada de habla sale pobre, porque hay poco habla que escribir. Dos personas hablando a la vez, una sala ruidosa y un micrófono apagado debilitan las líneas de origen, y una traducción no puede reparar una línea que ya estaba mal. Compara el origen con la marca de tiempo antes de tomar la traducción como una cita.

El enlace tiene que ser público. Un vídeo privado, un vídeo eliminado, un vídeo solo para miembros o un enlace que solo se reproduce dentro de la cuenta de otra persona no se abrirá desde una URL pública pegada. Los límites de edad y de región pueden bloquear la misma solicitud. No hay ningún interruptor que fuerce un vídeo que YouTube no quiera servir.

Genera y luego traduce

La traducción es el segundo paso. El primero es la transcripción, en el idioma de los subtítulos o del habla. Sáltate ese paso y no habrá nada con forma de línea que traducir. Un resumen, un hilo de comentarios o la descripción del vídeo no sirven como sustituto. No son la secuencia hablada y no llevan un tiempo para cada línea.

En transcript.im, hazlo en este orden:

1. Copia la URL del vídeo público que quieres en otro idioma.
2. Pégala y genera las líneas antes de elegir un destino. Los subtítulos que ya tiene el vídeo son el origen. El habla se transcribe solo cuando esos subtítulos no existen.
3. Ejecuta Traducir sobre esas líneas y elige uno de los idiomas compatibles. El texto cambia. La subida a YouTube no.
4. Compara la línea traducida con su tiempo original. Exporta cuando la traducción deba vivir fuera del navegador.

Para transcribir YouTube ya tienes el enlace. No vuelves a subir el vídeo y no escribes la traducción a mano salvo que estés corrigiendo una línea después. Una corrección se queda en tu copia. No se escribe de vuelta a la subida original.

El destino es uno de los idiomas compatibles: árabe, chino (simplificado), inglés, francés, alemán, hindi, italiano, japonés, coreano, portugués, ruso y español. El chino aquí es simplificado, no un destino tradicional aparte. El portugués es un solo destino, no dividido por país. Si el idioma que necesitas no está en esa lista, este paso no lo va a inventar. Elige un destino que la herramienta ofrezca de verdad o traduce el texto exportado en otro sitio que sí ofrezca ese idioma, y acepta que la segunda herramienta puede no conservar los tiempos de las señales salvo que los lleves tú mismo.

El idioma de origen es el que ya tenían los subtítulos o el habla. Un vídeo hablado en japonés vuelve primero como líneas en japonés, aunque tengas la intención de leer español. La traducción es una elección posterior de destino, y un destino distinto es una traducción aparte de las mismas líneas de origen. Cambiar de español a alemán no convierte el resultado en español al alemán. Traduce el origen otra vez.

Los subtítulos automáticos, cuando existen, siguen siendo la fuente. Valen lo que valga esa pista de subtítulos. Los nombres, los acentos y los comentarios rápidos son donde fallan. Transcribir desde el audio, en un video que nunca tuvo subtítulos, tiene el mismo tipo de límite: el texto sigue a la grabación. Traduce después de haber mirado la línea de origen que te interesa, no antes.

Mantén las marcas de tiempo alineadas

El tiempo permanece intacto porque la traducción no reconstruye la línea de tiempo. Cada línea conserva el inicio y la duración que tenía antes de que cambiara la redacción. Solo se sustituye el texto. Una frase que empezaba en 1:02 sigue empezando en 1:02 en la traducción, aunque la nueva redacción sea más larga o más corta que la original.

Así es como la traducción permanece anclada al momento del video. La línea traducida es una etiqueta sobre el instante original, no una nueva interpretación con su propio ritmo. El tiempo junto a la línea sigue siendo ese instante del video original. Tú oyes el habla original y lees la traducción. No oyes una voz doblada, porque no se creó ningún audio nuevo.

La exportación usa esos mismos tiempos. El TXT de la traducción contiene solo las palabras traducidas, una línea por subtítulo, sin los tiempos. El SRT y el VTT conservan un inicio y un final para que un editor o un reproductor web puedan mostrar el subtítulo traducido. El final es el final de la línea original, recortado para que no se solape con el siguiente subtítulo. Así, el reproductor muestra una línea a la vez en lugar de apilar dos.

Una traducción más larga es lo que la gente malinterpreta. El subtítulo no se alarga para encajar la nueva frase. Las palabras tienen que caber dentro de la ventana original. Una línea corta en inglés que se convierte en una línea larga en alemán sigue terminando cuando termina el subtítulo original. En pantalla, un reproductor puede acomodar más texto en ese mismo lapso. El archivo no resincronizó el video con una voz que pronuncie la traducción. Si más adelante grabas un doblaje, tendrás que ajustarle los tiempos tú mismo. Esta exportación no lo hará por ti.

El lector puede mostrar la hora de inicio junto a cada línea traducida mientras la revisas. Copiar el fragmento, igual que la exportación a TXT, se lleva las palabras y descarta los tiempos. Si el tiempo tiene que viajar con la frase, usa el SRT o el VTT, o anota la hora junto a la frase que pegues en tus notas. La alineación solo es útil si la mantienes unida a la línea que estás a punto de citar.

Clean, si lo ejecutas, es una pasada distinta. Corrige la gramática, la puntuación y los errores de reconocimiento del texto, y conserva los tiempos. No es una traducción. Translate es la pasada que cambia el idioma. Ejecuta Clean sobre el original cuando una línea esté distorsionada, y luego traduce, para no traducir un error de reconocimiento y convertirlo en una frase errónea que suena segura en el otro idioma.

Errores comunes

El error habitual es traducir el objeto equivocado. Los títulos en pantalla, las diapositivas filmadas con una cámara y los subtítulos incrustados en la imagen no están en la transcripción, así que no aparecen en el otro idioma. Si el significado del video está en esos gráficos y la voz nunca lo dice, la traducción no lo recuperará. Solo estarías leyendo el habla.

El siguiente error es esperar una nueva banda sonora. Transcribir YouTube a texto y lo que puedes conservar es la redacción. No obtienes una voz de reemplazo, un doblaje sincronizado con los labios ni una línea de tiempo reconstruida en torno a la longitud de la frase traducida. El audio original sigue siendo el reloj. Un doblaje es una edición aparte.

Otro error es traducir un resumen breve y esperar tiempos a nivel de línea. Resumen, Puntos clave y Resumen por capítulos son vistas más breves de la misma transcripción. Son útiles antes de leer cada línea. No son la transcripción traducida y no te dan un subtítulo con tiempos por cada línea hablada. La traducción que se mantiene alineada se aplica sobre las propias líneas de la transcripción. Study Notes, Meeting Summary, Creator Repurpose, Moments y Mapa mental son otras vistas de ese texto. Ninguna de ellas es el cambio de idioma. Mapa mental puede señalar un nodo en un momento, lo que ayuda a navegar. Aun así, no es la redacción traducida de cada línea.

Los nombres propios, los numerales y las expresiones idiomáticas necesitan una revisión humana. Un nombre puede transliterarse, traducirse a medias o dejarse tal como se oyó. Un chiste que dependa del idioma original no sobrevivirá a una interpretación literal línea por línea. Antes de citar la traducción como lo que dijo el hablante, abre la marca de tiempo y escucha. La traducción es una interpretación de la línea. La grabación es la fuente.

El habla rápida en un subtítulo corto tiene el mismo límite práctico que una traducción larga. La ventana la fijó la línea original. Si arrastras el SRT a un editor y el subtítulo traducido queda apretado, divide o reescribe ese subtítulo en el editor. No esperes que la exportación haya alargado el momento.

Un video casi sin habla se traducirá en casi nada. Los silencios, la música y los aplausos no son frases. Si la transcripción es un puñado de líneas, la traducción será un puñado de líneas. Es una propiedad del original, no un fallo del idioma de destino.

Si la transcripción nunca empieza, la traducción tampoco. La causa habitual es un vídeo que no es accesible públicamente.

Si el destino es una pista de subtítulos con tiempos para un reproductor, exporta en SRT o VTT las líneas traducidas. La página sobre cómo crear ese tipo de pista a partir de un enlace de YouTube, como subtítulos y no como texto de lectura, es el generador de subtítulos de YouTube. Usa este artículo cuando lo que necesites sea el texto traducido, incluido el archivo con tiempos de ese texto. Usa el generador de subtítulos cuando lo que necesites sea la pista de subtítulos en sí.

Cuando la superposición sea suficiente, míralo con ella. Cuando necesites las palabras en otro idioma y el momento original asociado, genera la transcripción, traduce las líneas y conserva los tiempos. El generador de transcripciones de YouTube es donde ese enlace público se convierte en el texto que luego traduces.