Für das neue Feature nutzt Youtube denselben Spracherkennungsalgorithmus wie Google Voice. Diese Funktion steht zunächst nur für die englische Sprache zur Verfügung. Die automatisch generierten Texte sind - wie bei allen automatischen Übersetzungssystemen - nicht perfekt, können aber Hörgeschädigten helfen, die Videobotschaft zu verstehen.

Parallel dazu hat Youtube eine automatische Timingfunktion für die Bildtexte entwickelt. Damit können Nutzer ihre Bildtexte selbst schreiben und als Textdatei an den Videodienst übergeben. Die automatic speech recognition (ASR) Technologie ist dann in der Lage, die Texte mit der Sprache zu synchronisieren.

Zunächst steht die automatische Spracherkennung nur auf einigen wenigen Channels zur Verfügung, um Feedback seitens der Nutzer und Videobesitzer zu erhalten. Die Auto-Timing-Funktion ist dagegen ab sofort weltweit für alle englischsprachigen Videos verfügbar.