YouTube 字幕提取下载：TXT、SRT、VTT
YouTube 字幕提取可存成 TXT、SRT 或 VTT，不用保存视频也能下载字幕。
所谓 YouTube 字幕提取，就是把 YouTube 视频中说出的话保存成一份文件，这样即使观看页面已经不在了，你也能随时打开它。YouTube 自带的字幕视图——官方在查看字幕的帮助页面里做了说明——是一条可以滚动的字幕行列表。你可以一边跟着读，一边点某一行让播放器跳过去。但那篇帮助文章并没有讲如何得到一个能保存下来的文档。本页讲的就是这份文件。
这个文件也不等于视频。MP4 保存画面，MP3 保存声音，两者都不是原话。这个文件也和“保存播放器叠加在画面上的字幕轨”不是同一件事。后者是 YouTube 字幕下载负责的。而这里要处理的对象是字幕：把说过的话逐行写下来，格式则根据你接下来要做什么来定。
“下载字幕”是什么意思
本文所说的“下载”，指的是把说过的话存成一个有名字的文件。视频本身带有创作者上传的字幕轨时，文字就来自它；没有时，则来自对语音的转录。无论哪种方式，结果都是说过的话的先后顺序，而不是观看页面的副本。
那个页面上有好几样东西看起来相关，却都不属于这个文件。简介是创作者写的说明文字。章节（如果视频有的话）是导航标记。画面里的标题卡和烧录进画面的字幕都是图像像素，不会被当作文字读取。评论是别人写的内容。文件会跳过这些，只保留说出来的话。
那篇帮助文章讲的是阅读和跳转，而且只针对已经有字幕的视频。本页不再重复打开那个视图的操作。如果视频从来没有字幕，面板里就一行也没有，但仍然可以通过转录音频来生成文件。在播放器旁边阅读，标签页一关就结束了。而 YouTube 字幕提取得到的，是到第二天依然还在的那份副本。
文件有多清楚，完全取决于它来源的语音。安静的出镜讲解音频，比背景里还压着车流的街头采访要好读得多。几个人同时说话时，会被并成一行。字幕轨里从没拼对过的名字，不会因为你把它导出就变正确。要引用哪一句，先核对清楚。
粘贴的 URL 必须是公开能打开的。私享上传、已被删除的视频，或仅限会员观看的上传，都没法靠粘贴生成文件。YouTube 要确认观看者年龄后才肯放行的视频，或在某个地区无法播放的视频，同样会卡在这一步。在 YouTube Studio 里管理自己上传的视频是另一回事，而且只涉及你自己掌控的频道里的视频。本文只讨论别人已经能公开观看的视频。
当这些文字离开浏览器标签页时，下载才算完成。在那之前，你仍然只是在 YouTube 上阅读。之后，你就得到了一个可以移动、重命名，并用其它程序打开的文件。
复制与导出
如果屏幕上的一句话就够用，你多半会直接复制。在电脑上框选面板，能复制下什么全看浏览器允许到什么程度。碰到讲座，这种选取并不可靠：选到一半就断了，某一行被漏掉，顺带选中的时间戳顺序还得看页面当时是怎么排的。在手机上选中整个面板就更麻烦了。复制第二句，第一句就没了。而且没有任何东西以文件名保存下来。
导出则是在这些行已经作为字幕存在之后才开始的。YouTube 字幕提取会根据这些行写成一个文件。你选的格式，是给接下来要打开它的程序用的，而不是为了配合浏览器的选取。对做好的字幕执行复制，和使用 TXT 导出，都只拿走文字，把时间留下。阅读时，时间戳留在屏幕上；当你要的是带开始和结束时间的字幕条目时，它们会保留在 SRT 和 VTT 里。
当你要留下的就是那些文字时，如何从 YouTube 下载字幕：
- 在公开的观看页面上，复制视频的 URL。
- 粘贴到 transcript.im。一个 URL，一份字幕。
- 视频上已有的字幕轨会被当作来源读取。如果没有字幕轨，就改为对语音进行转录。每一段话都会变成一行。
- 保存文件。TXT 保存的是文字本身。当下一个程序需要开始和结束时间时，就保存成 SRT 或 VTT。Markdown 和 JSON 是另外两种保存方式，分别给笔记应用或脚本使用。TXT、SRT 和 VTT 分别长什么样，见下文。
这个顺序很重要。得先有这些行，才谈得上文件。那篇帮助文章到阅读和跳转就结束了，所以导出是在你离开那个视图之后才发生的。
一段短视频和一场两小时的讲座，走的是同一条路。讲座恰恰是手动复制最容易出问题的地方，因为选区很长，漏掉的内容在你真正需要那一行之前根本看不出来。下载得到的是完整的先后顺序，而不是你勉强选中的那一段。
把手动复制当成还停留在观看页时顺手抓一句的办法。把导出当成保留视频原文的方式。如果下一步是要放进文档里引用、给自己的剪辑配字幕，或者一段下周还要再搜的文字，那你要的就是文件。
导出 TXT、SRT 或 VTT
按任务挑格式，别按习惯挑。覆盖阅读和带时间字幕的三种格式是 TXT、SRT 和 VTT。下面的示例只用一句虚构的字幕，好让格式看得清楚。真正的文件用的是视频里的时间，而且每一句都有对应的字幕条，不是只有一条。
| 文件 | 里面有什么 | 什么时候打开它 |
|---|---|---|
| TXT | 只有文字，每行一条字幕，没有时间 | 你要阅读、引用或粘贴原文时 |
| SRT | 带编号的字幕条，毫秒前是逗号 | 编辑器要 SubRip 文件时 |
| VTT | 有 WEBVTT 标头，毫秒前是句点 | 网页播放器要 WebVTT 时 |
TXT 就是纯文字。大约在视频第 1 分钟说出的一句话，在 TXT 里就只是那句话，后面跟一个换行。你在阅读器里看到它旁边标的开始时间，不会写进 TXT。做笔记、做引用、粘贴到文档或聊天窗口，要的就是它。如果播放器或编辑器需要让这句字幕在某个时刻显示出来，那它就不对。
SRT 是大多数编辑器已经能导入的带时间格式。同一句虚构的字幕看起来是这样：
1
00:01:02,000 --> 00:01:05,200
第 1 分钟处的那句示例字幕。
数字是字幕条序号。箭头分隔开始时间和结束时间。逗号是 SubRip 时间戳的一部分，不是句子里的停顿。后面每一条字幕之间用一个空行隔开。
VTT 为网页播放器承载同样的字幕条。标头是必需的，毫秒用句点：
WEBVTT
00:01:02.000 --> 00:01:05.200
第 1 分钟处的那句示例字幕。
把逗号和句点对调，有些播放器就会拒绝这个文件。文字没变，变的只是容器。如果编辑器说它要 SRT，就别把 VTT 塞给它，还指望导入能宽容。
结束时间是这行自己的结尾，会做修剪，好让它不撞进下一行。字幕轨，尤其是自动生成的，有时会给某一行一个与下一行重叠的时长。播放器如果同时遵守两个区间，就会一次显示两条字幕。导出会把靠前的那条剪短，让它在下一行开始时结束，而且绝不会早于自己的开始时间。你仍然能拿到每一句。不会出现两行争同一个时刻。
Markdown 和 JSON 是这些同样的字幕的可选形态。Markdown 在每句话前面放一个分秒标记，在笔记应用里很方便。JSON 保留原始分段，在脚本里很方便。当目的地是播放器或编辑器时，两者都不能替代 SRT 或 VTT。
要把 YouTube 字幕提取结果导出为 TXT、SRT 或 VTT，先用公开链接生成字幕，再选格式。之后编辑文件不会把任何改动写回 YouTube 视频。修改只留在你的副本里。如果你真正需要的是把字幕轨当成给播放器用的字幕文件，而不是把原文当成文档，那是字幕下载器的活儿，不是把这里的流程再走一遍。
复用下载好的字幕
一个你从不打开的文件不值得保存。复用是很平常的事，格式本来就该配合它。
需要指回某个时间点的课堂笔记，不该只靠 TXT 来建。TXT 是句子。字幕条的时间活在 SRT 或 VTT 里，在屏幕上则一直显示到你关闭阅读器。把那个时间写在笔记里对应的句子旁边。一句你以后还要找回来的话，是在文本里搜索，这比在长长的上传视频里拖动播放头强。视频本身不是一份你能搜索的文档。
给自己的剪辑配字幕的剪辑师要的是 SRT 或 VTT，然后把那个文件导入编辑器。这些字幕条只是起点的轨道，不是已经定稿的成品。人名、口音和重叠的说话仍然需要通读一遍。如果你跳过这次通读，字幕稿里一个错词就会变成屏幕上一个错的字幕。导出这一步没有任何东西替你核对文字。
NotebookLM、ChatGPT、Claude、Gemini、Kimi 和 Manus 接受的是文本，不是观看页。把 TXT 粘贴进你已经在用的那个。在 transcript.im 上，同样的字幕还可以在采信一条有杂音的字幕前先过一遍 Clean；笔记需要另一种语言时过 Translate；长演讲需要更短的概览时过 Summary、Core Points、Chapter Summary、Study Notes 和 MindMap。这些结果和文件并排放着。它们不是另一份 TXT，当目的地是编辑器时，也不能替代 SRT 或 VTT。
引用任何句子时都保留它的时间，否则你就没法重新打开正确的时刻。在有杂音的录音进入编辑器、变成 SRT 或 VTT 之前，先通读一遍。文件不会把一个错词标出来，它只会把它显示出来。
如果只是边看边读，那留在播放页就够了。当这些文字需要比标签页活得更久时，就做一次 YouTube 字幕提取，把它存成下个程序能直接打开的格式。