YouTube podejmuje ogromne wyzwanie na szeroką skalę. Każdej minuty, 20 godzin wideo jest przesyłane przez użytkowników. Jak można się domyśleć, nie każdy właściciel pliku wideo poświęci czas i włoży należyty wysiłek w to, aby dodać napisy do swoich filmów wideo. Nawet ze wszystkimi udogodnieniami jakie oferował YouTube większość plików wideo nie posiadało napisów, przez co nie mieli do nich dostępu niektóre grupy użytkowników, np. głuchoniemi.

Google całkowicie odmieniło dotychczasowy stan rzeczy. Przy użyciu ASR - automatycznego rozpoznania głosu, połączonego z systemem napisów oferowanym przez YouTube, stworzono narzędzie, które automatycznie dodaje napisy do plików wideo. Auto-caps (skrót od automatic captions) używa tego samego oprogramowania do rozpoznawania głosu, co Google Voice.

Napisy nie zawsze będą idealnie dopasowane (film poniżej dla przykładu), ale nawet jeżeli nie będą działać perfekcyjnie wciąż mogą być pomocne. Należy zwrócić uwagę, że technologia rozwija się bardzo szybko, dlatego z czasem automatyczne napisy będą funkcjonować coraz lepiej.

Z auto-caps, nie trzeba już mieć specjalistycznej wiedzy, żeby tworzyć własne napisy w YouTube. Będą one generowane automatycznie lub przy pomocy utworzonego przez właściciela wideo zwykłego pliku tekstowego, w którym zawarte będą wszystkie słowa użyte w wideo. Przy użyciu technologii Google ASR, zostaną one dopasowane do wypowiadanych słów, a następnie automatycznie umieszczone na osi czasu. Powinno to znacznie zmniejszyć bariery dla właścicieli wideo, którzy chcą dodawać napisy, ale nie mają czasu lub profesjonalnego oprogramowania do ich tworzenia.

Nowa funkcja powinna być dostępna w języku angielskim do końca tygodnia na szerszą skalę. Na razie, na potrzeby testów auto-caps zostało uruchomiony jedynie na kanałach: UC Berkeley, Stanford, MIT, Yale, UCLA, Duke, UCTV, Columbia, PBS, National Geographic, Demand Media, UNSW, Google oraz YouTube.