Πώς να αφαιρέσετε τα timestamps από μια απομαγνητοφώνηση ή αρχείο υποτίτλων

Τα αρχεία υποτίτλων και απομαγνητοφωνήσεων είναι χτισμένα γύρω από τον χρονισμό, που είναι ακριβώς αυτό που δεν θέλετε όταν επαναχρησιμοποιείτε το περιεχόμενο ως άρθρο, blog post, απόσπασμα ή κείμενο για μετάφραση. Ένα ανεπεξέργαστο αρχείο SRT μέσα σε ένα έγγραφο φαίνεται έτσι:

12
00:04:21,500 --> 00:04:24,800
και αυτή είναι πραγματικά η βασική ιδέα

Η αναγνώσιμη πρόζα χρειάζεται μόνο τις λέξεις: “και αυτή είναι πραγματικά η βασική ιδέα.”

Τι πρέπει πραγματικά να αφαιρεθεί

• Αριθμοί cue. Ο διαδοχικός δείκτης (12, 13, …) που προηγείται κάθε μπλοκ στο SRT.
• Γραμμές timestamp. Η γραμμή 00:04:21,500 --> 00:04:24,800, είτε στη μορφή κόμματος του SRT είτε στη μορφή τελείας του VTT.
• Ο header WEBVTT, αν υπάρχει.
• Tags μορφοποίησης. Σήμανση πλάγιων/έντονων (<i>, <b>), cues τοποθέτησης και tags ετικέτας ομιλητή που περιλαμβάνουν κάποια αρχεία VTT.
• Κενές γραμμές ανάμεσα στα cues. Συνήθως θέλετε αυτό να συμπτυχθεί σε κανονικό διάστημα παραγράφου ή πρότασης, όχι να παραμείνει ως έχει.

Γιατί αυτό χαλάει όταν γίνεται με το χέρι (ή με εύρεση-αντικατάσταση)

Μια απλή regex για την αφαίρεση γραμμών timestamp συνήθως δουλεύει καλά για σύντομα αρχεία, αλλά δύο πράγματα το χαλάνε συχνά: ανομοιόμορφα line endings (αρχεία που εξάγονται από διαφορετικά λειτουργικά συστήματα αναμειγνύουν \n και \r\n), και αριθμοί cue που μοιάζουν με κανονικό κείμενο με μια πρώτη ματιά αλλά μπερδεύουν ένα αφελές pattern matching. Σε ένα μεγάλο αρχείο (μια πλήρη απομαγνητοφώνηση επισοδίου, μια διάλεξη, μια πολύωρη συνέντευξη), μια χαμένη γραμμή σημαίνει ότι πρέπει να σκανάρετε ξανά ολόκληρο το αρχείο με το μάτι.

Υπάρχει και ένα πιο λεπτό ζήτημα: όταν δύο cues χωρίζονται στη μέση μιας πρότασης (συνηθισμένο όταν μια πρόταση είναι μεγάλη και διασχίζει ένα όριο cue), η απλή διαγραφή των γραμμών χρονισμού σας αφήνει με μια πρόταση σπασμένη σε δύο γραμμές χωρίς στίξη να τις συνδέει. Ένα καλό εργαλείο αφαίρεσης τις επανασυνδέει σωστά αντί να αφήνει θραύσματα.

Πώς να το κάνετε σωστά

Ο αφαιρέτης timestamps μας παίρνει ένα αρχείο SRT ή VTT και παράγει καθαρό κείμενο σε παραγράφους: αριθμοί cue, χρονισμός και tags φεύγουν, προτάσεις που ήταν χωρισμένες σε πολλά cues επανασυνδέονται, όλα επεξεργασμένα τοπικά μέσα στον browser σας ώστε η απομαγνητοφώνηση να μην βγει ποτέ από τη συσκευή σας. Είναι ο ταχύτερος δρόμος από “χρονισμένο αρχείο υποτίτλων” σε “αναγνώσιμο κείμενο” χωρίς να καθαρίζετε χειροκίνητα μερικές εκατοντάδες γραμμές timestamp.