Quellen und Einstellungen

Für eine Transkription übergibst du einen Video-Link oder lädst eine Datei hoch. Die Tabelle zeigt, welche öffentlichen Aufnahmen und Linkformate transcript1 akzeptiert. Mit source wählst du Untertitel oder KI-Transkription, mit diarize die Sprecherzuordnung und mit language die Sprache. Diese drei Felder sind im Request-Body von POST /v1/transcriptions optional.

Von diesen Plattformen kannst du Videos einreichen

Setze den Link in url. Die API erkennt daran die Plattform. Du kannst platform zusätzlich angeben, der Wert muss dann aber zum Link passen.

Für Twitch, Dailymotion, Pinterest, LinkedIn und Snapchat Spotlight muss der Link HTTPS verwenden. Er darf weder Zugangsdaten noch einen eigenen Port enthalten. Reiche einzelne, öffentliche Aufnahmen ein. Private Posts, Posts hinter einem Login, laufende oder noch verarbeitete Streams, Profile, Feeds und Sammlungen funktionieren nicht. transcript1 sendet keine Account-Cookies mit. Zeitangaben in der URL schneiden die Aufnahme nicht zu.

Twitch-Clips und Snapchat Spotlight können einen media_id-String liefern, dessen Aufbau du nicht interpretieren solltest. Übernimm ihn unverändert, statt eine ID aus der URL abzuleiten.

Auf X, TikTok, Instagram, Facebook und Bluesky muss der Post öffentlich sein. Enthält er mehrere Videos, nimmt transcript1 nur das erste. Profile, Stories, Live-Seiten und TikTok-Fotoposts funktionieren nicht. Verlangt die Plattform eine Anmeldung, bekommst du login_required. Fehlt dem Video die Tonspur, bekommst du no_audio. In beiden Fällen berechnen wir nichts.

Untertitel lassen sich auf YouTube, X, TikTok, Bluesky, Dailymotion und LinkedIn nutzen, sofern das Video eine passende Spur in der Originalsprache hat. Für Instagram, Facebook, Twitch, Pinterest und Snapchat läuft die Transkription mit auto oder stt immer über KI-Speech-to-Text. captions ist dort nicht erlaubt. Der Minutenpreis ist für alle Plattformen und Uploads gleich; abgerechnet wird die gemessene Länge.

Kurzlinks funktionieren nur in den oben genannten Formen. Willst du eine frühere Transkription wiederverwenden, nimm den vollständigen Post-Link. Share-Links ohne Post-ID können wir beim Absenden keiner früheren Transkription zuordnen.

Diese YouTube-Links funktionieren

Für YouTube setzt du den Video-Link in url und lässt platform weg oder wählst youtube. Die folgenden Formate funktionieren jeweils mit und ohne www.:

Zusätzliche Query-Parameter wie t, list und si haben keinen Einfluss. Unterschiedliche Links zum selben Video erkennt transcript1 als dasselbe Video. Gib immer die vollständige URL an; die 11 Zeichen lange Video-ID allein reicht nicht.

Für Kanalseiten, reine Playlist-Links und andere nicht unterstützte Links antwortet die API mit 422 invalid_url. Kennt sie den Wert von platform nicht, bekommst du 422 unsupported_platform samt der Liste supported_platforms.

Das Video muss öffentlich oder nicht gelistet sein. Bei privaten Videos bekommst du media_private, bei Altersbeschränkungen age_restricted und bei Livestreams live_stream. Gehört dir die Datei, kannst du sie stattdessen hochladen.

source

Mit source entscheidest du, ob transcript1 vorhandene Untertitel abruft oder den Ton transkribiert.

Bei hochgeladenen Dateien läuft immer Speech-to-Text. Erlaubt sind dafür auto und stt. Mit captions bekommst du 422 invalid_request.

Die Untertitelspur muss zur gewählten Sprache passen. Steht language auf auto, zählt die Originalsprache des Videos. Auf YouTube kommen vom Creator hochgeladene Untertitel und von YouTube in dieser Sprache erzeugte Untertitel infrage. Automatisch übersetzte Spuren nutzt transcript1 nie.

Zuerst kommen vom Creator hochgeladene Untertitel, dann Spuren unbekannter Herkunft und zuletzt automatisch erzeugte Untertitel. Eine unbekannte Herkunft bedeutet nicht, dass die Spur vom Creator stammt. Auf X nutzt transcript1 verfügbare VTT-Spuren mit Zeitstempeln pro Segment. Wort-Zeitstempel gibt es dort auch bei automatisch erzeugten Untertiteln nicht.

Im Modus auto kann STT übernehmen, wenn der Untertiteltext fehlt oder sich nicht parsen lässt. Bei Routing-, Speicher- oder Programmierfehlern passiert das nicht. Mit stt überspringst du die Untertitel immer.

diarize

Aktiviere diarize, wenn du wissen willst, wer welchen Abschnitt spricht. Ohne Angabe gilt false.

• Sprecherzuordnung funktioniert nur mit Speech-to-Text. Wenn source auf auto steht und du diarize: true setzt, nutzt transcript1 deshalb direkt Speech-to-Text, auch wenn Untertitel vorhanden sind.
• source: "captions" lässt sich nicht mit diarize: true kombinieren. Die API antwortet dann mit 422 invalid_request.
• Du bekommst Bezeichnungen wie Speaker 1 und Speaker 2. Sie stehen in transcript.speakers und im Feld speaker des jeweiligen Segments. Bei text und srt steht Speaker 1: vor dem Text; bei vtt kommt das Voice-Tag <v Speaker 1> zum Einsatz.

{ "platform": "youtube", "url": "https://youtu.be/dQw4w9WgXcQ", "source": "stt", "diarize": true }

language

Lass language auf dem Standardwert auto oder gib einen zweistelligen ISO-639-1-Code an, zum Beispiel en, de oder es.

• Für Untertitel legst du damit fest, welche Sprachspur transcript1 abruft. auto wählt die Originalsprache des Videos.
• Bei Speech-to-Text bekommt der Anbieter den Wert als Hinweis auf die Sprache der Aufnahme. Mit auto läuft die Sprachenerkennung automatisch. Jedes Segment hat sein eigenes Feld language.

Im Feld language des Transkriptionsobjekts steht die Sprache, die in der Aufnahme überwiegt.

Was im Transkript steht

An transcript_source erkennst du, woher der Text stammt. Mögliche Werte sind youtube_captions, x_captions, tiktok_captions, bluesky_captions, dailymotion_captions, linkedin_captions und speech_to_text.

Bei Untertiteln beschreibt caption_kind die Herkunft: manual, auto_generated oder null für eine unbekannte Herkunft. Stelle null in deiner Anwendung nicht als „vom Creator hochgeladen“ dar.

YouTube-Untertitel bleiben unverändert, auch mit Tags wie [Music]. Für Speech-to-Text darf die Aufnahme höchstens 5 Stunden lang sein. Dauert sie länger, bekommst du media_too_long.

Bei X-Untertiteln (x_captions) und Untertiteln von TikTok, Bluesky, Dailymotion und LinkedIn gibt es nur Zeitstempel pro Segment. Mit include=words bleibt words: null in jedem Segment, auch bei automatisch erzeugten Spuren. Diese Untertitel enthalten keine Sprecherzuordnung. Für Wort-Zeitstempel aus der KI-Transkription wählst du source: "stt". Für die Sprecherzuordnung setzt du diarize: true zusammen mit auto oder stt.

So wird abgerechnet

Jede angefangene Audiominute kostet einen Credit, egal ob transcript1 Untertitel abruft oder Speech-to-Text nutzt. Du wählst also nur die Quelle des Texts; der Preis bleibt gleich. Mehr dazu unter Abrechnung und Limits.