Download e Conversão de Legendas Do Youtube

Introdução

Esses dias baixei um vídeo do youtube só que a legenda não veio junto. Pesquisei um pouco e encontrei vários programas e sites que fazem o download da legenda. Nas referências [1] e [2] descobri um modo de fazer isso manualmente e logo pensei em fazer um post sobre o assunto.

Há vários programas e sites que fazem download e a conversão de legendas do youtube, mas nesse post aprenderemos a fazer isso de forma manual.

Código do Vídeo

Sabemos que cada vídeo do youtube possui um identificador representado pelos caracteres após o watch?v=. Nesse tutorial usarei o seguinte vídeo como exemplo:

o código desse vídeo é kGYACultjCY.

Listando as Legendas

Através do endereço:

http://video.google.com/timedtext?type=list&v=kGYACultjCY

temos acesso a todas as legendas disponíveis no vídeo. Acesse o link e veja um arquivo XML listando as legendas de acordo com o idioma.

XML listando legendas disponíveis

Veja que somente uma linha desse conteúdo  é referente ao idioma português:

<track id="10" name="" lang_code="pt" lang_original="Português" lang_translated="Portuguese"/>

Os atributos que interessam são name e lang_code.

Obtendo a legenda

Sabendo o código do vídeo, o código do idioma o atributo name da legenda, é fácil recuperar a legenda em questão. O link a ser acessado é da forma:

http://video.google.com/timedtext?type=track&v=<CODIGO DO VIDEO>&lang=<IDIOMA>&name=<NOME>

Por exemplo, para recuperarmos a legenda em português do vídeo exemplo, acessamos o seguinte link:

http://video.google.com/timedtext?type=track&v=kGYACultjCY&lang=pt&name=

Clique no link acima e você verá que a legenda segue o formato XML. Esse formato não é muito aceito pelos players de vídeo e por isso teremos que fazer uma conversão para um formato mais adequado.

Legenda em XML

Observe que, para esse vídeo em específico, o atributo name é vazio e por isso não é necessário passá-lo no link. Na referência [2] temos um exemplo em que esse atributo existe e o link para acessar a legenda é:

http://video.google.com/timedtext?type=track&v=XraeBDMm2PM&lang=es&name=Spanish (es)

Convertendo XML para SubRip (.srt)

Mais uma vez, existem vários programas que fazem essa conversão de forma automática. Se você deseja algo mais automatizado, obtenha o programa Google2Srt em [3].

Bem, visualizando a saída XML observamos o seguinte padrão:

<text start="3.08" dur="3.6">
Deveria ser pessoal. Deve ser pessoal. É isso que estamos procurando.
</text>

O start contém o instante em que a legenda aparece e dur indica a duração dela. Entre as tags <text> e </text> temos a legenda em si.

Já o formato SubRip tem o seguinte padrão:

2
00:00:03,080 --> 00:00:06,680
Deveria ser pessoal. Deve ser pessoal. É isso que estamos procurando.

O número ‘2’ é o identificador da legenda. A linha seguinte indica o instante da legenda e a duração dela e a última linha, a legenda em si.

Verificando os dois formatos, fica fácil fazer a conversão de um para outro. A seguinte linha em XML:

<text start="3.08" dur="3.6">

gera a seguinte linha em SubRip

00:00:03,080 --> 00:00:06,680
      ^^^^^^           ^^^^^^
    valor de start         |
                      start + dur

O XML usa um formato fracionário de tempo em segundos, ou seja, 3.08 é 3 segundos + 080 milésimos de segundos. Por outro lado, o SubRip trabalha com um formato mais geral indicado por hora:minuto:segundo,milésimos, onde o campo dos milésimos tem três algarismos.

Para converter um tempo T do XML para o tempo equivalente do SubRip, fazemos:

Seja T=SEG.MILI
SEG/3600 : (SEG%3600)/60 : (SEG%3600)%60 , MILI

Isso é, para um T=5052.54, temos:

T = SEG.MILI = 5052.54
SEG = 5052
MILI = 540

5052/3600:(5052%3600)/60:(5052%3600)%60,540
   |            |            |           |
   v            v            v           v

   1     :      24      :    12        , 540

A linha em negrito é o tempo em SubRip.

Resumindo

Seguindo os procedimentos abaixo, alguém poderá escrever facilmente um programa que faz download e converte para SubRip uma legenda do youtube:

1) Obtenha o código do vídeo em $CODIGOVID
2) Acesse: http://video.google.com/timedtext?type=list&v=$CODIGOVID
e obtenha os atributos $NAME e $CODIGOIDIOM
3) Baixe o conteúdo XML de: 
http://video.google.com/timedtext?type=track&v=$CODIGOVID&lang=$CODIGOIDIOM&name=$NAME

4) Converta de XML para SubRip:
   - para cada <text start=$START dur=$DUR>$LEGENDA</text> incremente $ID
   - imprima:
       $ID
       tempo_subrip($START) --> tempo_subrip($START+$DUR)
       $LEGENDA
       <linha vazia>

obs: tempo_subrip() é a função que converte o tempo do XML para o tempo do SubRip.

Conclusão

O youtube fornece a incrível possibilidade de se anexar várias legendas em um só vídeo. Porém, ao se baixar o vídeo em questão as legendas não vem incluídas nele. Para resolvermos esse problema, obtemos a legenda através de um endereço específico que exige como parâmetros somente o código de duas letras do idioma e o código identificador do vídeo. A legenda retornada por esse endereço vem no formato XML e por isso, uma conversão para o formato SubRip (srt) se faz necessária. Na última parte do post vimos como essa conversão é feita aplicando-se simplesmente operações matemáticas nos tempos de aparição e duração da legenda.

Não irei postar um código exemplo por falta de tempo. Espero num futuro próximo postar algo parecido.

Referências

[1] How do I download subtitles from a YouTube video? by stackexchange (Acessado em: Novembro/2012)
http://webapps.stackexchange.com/questions/25072/how-do-i-download-subtitles-from-a-youtube-video

[2] Google2SRT (Help) (Acessado em: Agosto/2013)
http://google2srt.sourceforge.net/en/help.html

[3] Google2srt by kom (Acessado em: Novembro/2012)
http://google2srt.sourceforge.net/