北京
周三下午，你写好了"和这个播客聊天"的demo，本地跑得飞起。部署到服务器，第一行报错就来了：拿不到字幕。不是代码写错了，是YouTube把大部分数据中心IP的字幕请求挡在门外。
做视频类LLM应用，第一步往往最枯燥：把YouTube字幕干净地批量取出来。搜索某个频道、给播客做问答机器人、给演讲生成会议式摘要，都卡在这一步。常见的几条路，各有各的坑。
坑一：官方API只认自家视频。YouTube Data API 只给你拥有权限的视频提供字幕文件，别人的视频拿不到。
坑二：本地能跑，服务器不行。youtube-transcript-api 这类库在笔记本上表现很好，一旦从服务器发起请求就开始失败，原因是YouTube对多数数据中心IP的字幕请求做了拦截。
坑三：语言选错。热门视频的字幕列表里，志愿者翻译往往排在前面。你想要一场TED演讲的英文字幕，结果拿到的是阿拉伯语字幕。
三个坑都踩过之后，作者做了一个小工具放在Apify上，按使用量付费，只对真正返回的字幕收费。输入视频链接或ID，每个视频返回这些字段：
- text：整段字幕合成一个字符串
- chunks：按约1000字符切块，每块带起止秒数，可直接进向量库
- segments：每一行字幕及其时间戳
- 可选的srtvtt字幕文件
- 视频元数据（标题、频道、时长、播放量），不额外收费
它读取的是YouTube已有的字幕，包括创作者上传的和自动生成的。作者公布的发布测试里，49个不同类型的视频（演讲、新闻、播客、Shorts，共七种语言），两轮运行82次字幕抓取成功了81次。没有字幕的视频会返回一行 no_captions，不计费。
从Python调用只需要装一个客户端。传入视频链接列表和 chunkSize（每块字符数，设为0则关闭切块），遍历返回的数据集，状态不是 ok 的就跳过并打印错误。代码不复杂，重点在于它跑在云端，绕开了本地IP和服务器IP的差异。
真正让RAG管线好用的一点是时间戳。每个chunk都保留起止秒数，入库时可以拼出带时间点的深链，比如在URL后面加上 t=271s。机器人回答时能引用"TED，4:31"并附上可点击的链接，而不是含糊地说"视频里某处"。
语言也可以指定。默认返回视频的口语语言字幕，而不是列表里排第一的那份翻译；想优先德语就在输入里加 language 参数。
不想写代码的话，Apify的网页界面可以粘贴链接、点开始、下载CSV或JSON。它也能接进 n8n、Make、Zapier，或者通过Apify的MCP服务器作为AI智能体的工具使用——之后你可以直接对Claude或Cursor说：把这个视频的字幕取下来并总结。
几个需要提前知道的限制：它只读已有字幕，音乐视频和很短的片段经常没有；播放列表和频道输入还不支持，目前得逐个传视频链接；另外，字幕请用于搜索、分析和摘要，不要把人家的内容原样搬运发布。
回到开头那个报错。问题不在你的代码，在于请求从哪台机器发出、要的是哪份字幕。把这两件事交给一个跑在云端的执行器，剩下的向量化和检索才有得谈。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
