Skip to content

知らない分野を、原文にたどりつくまで芋づる式に掘る Claude Code のスキル

Python

fetch: YouTubeの自動字幕は、動画の元の言語のものだけを取得する (#6)

gappiiii9103b5cde1a6
diff --git a/skills/imozuru/scripts/fetch.py b/skills/imozuru/scripts/fetch.py
index 6af1051..86592e4 100755
--- a/skills/imozuru/scripts/fetch.py
+++ b/skills/imozuru/scripts/fetch.py
@@ -288,27 +288,37 @@ MIN_TRANSCRIPT_CHARS = 300
def youtube_to_md(url: str, out: Path) -> str:
"""yt-dlp で字幕だけ落とし(動画は落とさない)、時刻つきの本文にする。
- 手動の字幕を優先し、無ければ自動字幕。日本語→英語の順。自動字幕は同じ文が
+ 手動の字幕を優先し(日本語→英語の順)、無ければ動画の元の言語の自動字幕。自動字幕は同じ文が
次の区間にも繰り返し出るので、直前と同じ文は捨てる。
自動字幕は誤変換が多い(大陸塗りの試しで「線画」が「洗画」)。どちらを使ったかを
見出しに残し、読み手が引用を動画で確かめるべきか分かるようにする。手動と自動は
同じファイル名で出てくるので、まず手動だけで取り、無いときだけ自動で取り直す。
題名の出力は --encoding で UTF-8 に決める。Windows でパイプに出すと、決めない限り cp932 になる。
+
+ 自動字幕は、動画の元の言語のもの(en-orig など)だけを取る。ja,en を指定すると、
+ 英語の動画では ja が機械翻訳の字幕になり、YouTube はそれに 429 Too Many Requests を返す。
+ yt-dlp はそこで止まり、英語の字幕も残さない(テスラの自動運転の試しで YouTube が3本とも
+ 落ちた・2026-10-19)。ja-orig,en-orig の指定でも足りない。AI の吹き替えが付いた動画では
+ 吹き替えの音声にも ja-orig が付き、中身は翻訳になる(CVPR の講演 jPCV4GKX9Dw)。そこで手動の回で
+ 動画の言語(元の音声の言語)も出させ、自動の回ではその言語の -orig だけを指定する。
"""
tmp = out.parent / f".{out.stem}-subs"
tmp.mkdir(exist_ok=True)
- kind = "手動"
+ kind, langs = "手動", "ja,en"
for flag in ("--write-subs", "--write-auto-subs"):
meta = subprocess.run(
["yt-dlp", "--no-update", "--skip-download", flag, "--encoding", "utf-8",
- "--sub-langs", "ja,en", "--sub-format", "vtt", "--no-simulate",
- "--print", "%(title)s\t%(uploader)s\t%(upload_date)s",
+ "--sub-langs", langs, "--sub-format", "vtt", "--no-simulate",
+ "--print", "%(title)s\t%(uploader)s\t%(upload_date)s\t%(language|)s",
"-o", str(tmp / "v.%(ext)s"), url],
capture_output=True, encoding="utf-8", errors="replace")
if any(tmp.glob("*.vtt")):
break
kind = "自動(誤変換あり・引用は動画で確かめる)"
+ # 言語は en-US のように地域つきで来るが、字幕は en-orig。分からなければ日本語か英語の元の字幕
+ spoken = meta.stdout.rstrip("\n").split("\t")[-1].split("-")[0]
+ langs = f"{spoken}-orig" if spoken else "ja-orig,en-orig"
vtts = sorted(tmp.glob("*.vtt"), key=lambda p: (".ja" not in p.name, p.name))
lines, last = [], ""
if vtts:
@@ -330,7 +340,7 @@ def youtube_to_md(url: str, out: Path) -> str:
tmp.rmdir()
head = meta.stdout.strip().split("\t")
title = head[0] if head and head[0] else url
- info = " / ".join(head[1:]) if len(head) > 1 else ""
+ info = " / ".join(head[1:3]) if len(head) > 1 else ""
body = "\n".join(lines)
out.write_text(f"# {title}\n\n{url}\n{info}\n字幕: {kind + ' ' + vtts[0].name if vtts else 'なし'}\n\n{body}\n",
encoding="utf-8")
diff --git a/tests/test_fetch.py b/tests/test_fetch.py
index 82aad26..6ff7519 100644
--- a/tests/test_fetch.py
+++ b/tests/test_fetch.py
@@ -3,6 +3,7 @@
import contextlib
import importlib.util
import io
+import subprocess
import sys
import tempfile
import unittest
@@ -200,5 +201,59 @@ class FetchPreservationTests(unittest.TestCase):
self.assertIn("http(s) の URL だけを取りに行く", self.stdout.getvalue())
+class YoutubeCaptionTests(unittest.TestCase):
+ """yt-dlp の呼び出しを差し替えて、どの字幕を指定するかを検査する。"""
+
+ def setUp(self):
+ tmp = tempfile.TemporaryDirectory()
+ self.addCleanup(tmp.cleanup)
+ self.out = Path(tmp.name) / "talk.md"
+
+ def run_youtube(self, language, manual=None, auto=None):
+ """manual と auto は動画が持つ字幕(言語 → 文)。指定されて、かつ有るものだけを .vtt に書く。"""
+ asked = []
+
+ def yt_dlp(cmd, **kwargs):
+ flag = next(c for c in cmd if c.startswith("--write-"))
+ langs = cmd[cmd.index("--sub-langs") + 1]
+ asked.append((flag, langs))
+ tracks = (auto if flag == "--write-auto-subs" else manual) or {}
+ folder = Path(cmd[cmd.index("-o") + 1]).parent
+ for lang in langs.split(","):
+ if lang in tracks:
+ (folder / f"v.{lang}.vtt").write_text(
+ f"WEBVTT\n\n00:00:01.000 --> 00:00:02.000\n{tracks[lang]}\n", encoding="utf-8")
+ return subprocess.CompletedProcess(cmd, 0, f"Talk\tSpeaker\t20220820\t{language}\n", "")
+
+ with patch.object(fetch.subprocess, "run", side_effect=yt_dlp):
+ body = fetch.youtube_to_md("https://www.youtube.com/watch?v=example", self.out)
+ return asked, body
+
+ def test_auto_captions_ask_only_the_spoken_language(self):
+ # 吹き替えの音声にも ja-orig が付く。中身は翻訳なので取らない
+ asked, body = self.run_youtube("en-US", auto={"en-orig": "English speech", "ja-orig": "吹き替え"})
+ self.assertEqual(asked, [("--write-subs", "ja,en"), ("--write-auto-subs", "en-orig")])
+ self.assertEqual(body, "[00:01] English speech")
+ text = self.out.read_text(encoding="utf-8")
+ self.assertIn("\nSpeaker / 20220820\n字幕: 自動", text)
+ self.assertIn("v.en-orig.vtt", text)
+
+ def test_japanese_auto_captions(self):
+ asked, body = self.run_youtube("ja", auto={"ja-orig": "日本語の音声"})
+ self.assertEqual(asked[-1], ("--write-auto-subs", "ja-orig"))
+ self.assertEqual(body, "[00:01] 日本語の音声")
+
+ def test_unknown_language_asks_original_japanese_or_english(self):
+ asked, body = self.run_youtube("", auto={"en-orig": "English speech"})
+ self.assertEqual(asked[-1], ("--write-auto-subs", "ja-orig,en-orig"))
+ self.assertEqual(body, "[00:01] English speech")
+
+ def test_manual_captions_skip_auto_captions(self):
+ asked, body = self.run_youtube("en", manual={"ja": "手動の日本語"}, auto={"en-orig": "English"})
+ self.assertEqual(asked, [("--write-subs", "ja,en")])
+ self.assertEqual(body, "[00:01] 手動の日本語")
+ self.assertIn("字幕: 手動 v.ja.vtt", self.out.read_text(encoding="utf-8"))
+
+
if __name__ == "__main__":
unittest.main()