در ۱۹ نوامبر ۲۰۰۹ یوتیوب دو ابزار مبتنی بر تشخیص خودکار گفتار معرفی کرد. زمان‌بندی خودکار به سازنده اجازه می‌داد متن ساده را آپلود کند تا سامانه کلمات را با صدا هماهنگ کند. زیرنویس خودکار یک قدم جلوتر می‌رفت و خودش از روی گفتار زیرنویس می‌ساخت.
این تفاوت مهم بود. نوشتن حرف‌های گوینده قابل مدیریت بود؛ قرار دادن هر جمله در زمان درست بخش خسته‌کننده کار بود. زمان‌بندی خودکار متن را به مسیر زمانی تبدیل می‌کرد و میانبری عملی می‌داد، بدون اینکه سازنده مجبور باشد همه زمان‌ها را دستی ویرایش کند.
سامانه اول مرزهای روشنی داشت. یوتیوب گفت بهترین عملکرد با صدای تمیز و انگلیسی واضح است. تشخیص ماشینی جادو نبود و اتاق شلوغ، لهجه، موسیقی و هم‌پوشانی صداها می‌توانست نتیجه را کم‌اعتمادتر کند.
با این حال مسیر بلندپروازانه بود. یوتیوب زیرنویس را بخشی از دسترس‌پذیر کردن ویدیو در وب، موبایل و تلویزیون و میان کشورها و زبان‌ها می‌دانست. اعلام اولیه همچنین از ترجمه به ۵۱ زبان گفت تا یک آپلود گفتاری از مخاطب اصلی‌اش فراتر برود.
درس مفید هنوز هم همان است: زیرنویس خودکار نقطه شروع است، نه نسخه نهایی ویرایش‌شده. شروع دسترس‌پذیر کردن محتوا را آسان می‌کند، اما بازبینی سازنده دقت نام‌ها، نشانه‌گذاری و توضیح صداهایی را اضافه می‌کند که ماشین ممکن است از دست بدهد.