怎么拿到带时间戳的 YouTube 字幕，导出成 JSON 或 SRT？

做播客切片的剪辑想找出嘉宾提到某个产品的所有地方，每处配一个能直接跳到那一秒的链接。光有文字稿不够，还得知道每句话是什么时候说的。YouTube 视频字幕在同一次调用里就把时间一起返回了。

JSON 长这样

字幕在响应的 data.item 里：

{
  "video_id": "dQw4w9WgXcQ",
  "lang": "en",
  "text": "We're no strangers to love ...",
  "segments": [
    { "start": 18.64, "end": 21.88, "text": "We're no strangers to love" },
    { "start": 22.64, "end": 26.92, "text": "You know the rules and so do I" }
  ]
}

时间是从视频开头算起的秒数。有些库给的是 duration，换算一下就是 end - start。

分段转成 SRT

import os, requests

body = requests.get(
    "https://api.okdata.online/v1/youtube/videos/transcript/get",
    headers={"Authorization": f"Bearer {os.environ['OKDATA_API_KEY']}"},
    params={"id": "dQw4w9WgXcQ", "lang": "en"}, timeout=60,
).json()
segments = body["data"]["item"]["segments"]

def srt_time(sec):
    ms = int(round(sec * 1000))
    return f"{ms // 3_600_000:02}:{ms // 60_000 % 60:02}:{ms // 1000 % 60:02},{ms % 1000:03}"

with open("dQw4w9WgXcQ.srt", "w", encoding="utf-8") as f:
    for n, s in enumerate(segments, 1):
        f.write(f"{n}\n{srt_time(s['start'])} --> {srt_time(s['end'])}\n{s['text']}\n\n")

要 WebVTT 的话，文件开头写 WEBVTT，毫秒前面的逗号换成点。

生成跳到某一秒的链接

https://www.youtube.com/watch?v=dQw4w9WgXcQ&t=18s 会从第 18 秒开始播放。把 start 向下取整，AI 从字幕里摘出的每一句引用后面都能挂一个可点的出处，摘要对不对，点一下就知道。

价格

任务	费用
一个视频，文字加时间	$0.004
100 期节目的存档	$0.40
1,000 个视频	$4.00

每份字幕都自带时间。没有字幕的视频返回 not_found，不扣费。

交付文件前要知道的事

• 自动字幕的分段经常重叠，上一行还没结束下一行就开始了。播放器报错的话，把每段的 end 截到下一段的 start。
• 分段是按 YouTube 切字幕的方式来的，都很短，和句子边界对不上。引用整句话之前，先把相邻分段拼起来。
• 接口收的是 11 位视频 ID，不收链接。
• 不返回样式、位置和说话人，只有文字和时间。

其他拿带时间字幕的办法

• 在你的网络上 yt-dlp 没被拦的话，--write-subs --convert-subs srt 能直接写出文件。
• 自己频道的视频，官方 Data API 可以通过 tfmt 下载 SRT 格式的字幕。
• 视频没有字幕时，对你有权使用的音频跑 Whisper，也能得到带时间戳的文字。

整个频道批量处理的做法和费用见视频转文字方案。