Cómo extraer texto limpio de archivos de subtítulos SRT o VTT
Sacar el diálogo plano de un archivo de subtítulos suena trivial hasta que te topas con números de cue, marcas de tiempo y frases cortadas a la mitad. Así se hace correctamente.
Los archivos de subtítulos guardan tres cosas entrelazadas: un número de índice, un rango de tiempo y el texto en sí. Si lo único que quieres es el texto (para una cita de blog, un artículo, un índice de búsqueda o para alimentar otra herramienta), el tiempo y la numeración son solo ruido que necesitas eliminar.
El método manual, y dónde falla
Un find-and-replace rápido con una expresión regular para las líneas de marca de tiempo (\d{2}:\d{2}:\d{2}[,.]\d{3}\s*-->\s*...) resuelve el caso obvio. Donde se rompe:
- Números de cue que parecen texto. Una línea que es solo
42por sí sola podría ser un índice de cue, o, en raras ocasiones, parte del diálogo real (un personaje leyendo un número en voz alta). Una eliminación ingenua no siempre puede distinguir la diferencia de forma confiable a gran escala. - Frases divididas entre cues. Los subtítulos se dividen en fragmentos por legibilidad en pantalla (aproximadamente una línea cada pocos segundos), no por gramática. Una sola frase habitualmente se extiende a lo largo de dos o tres cues consecutivos. Eliminar las líneas de tiempo sin volver a unir los fragmentos te deja con trozos de frase entrecortados y desconectados en lugar de prosa fluida.
- Etiquetas de formato en línea.
<i>,<b>, y las etiquetas de voz/color de VTT (<v Speaker>,<c.colorname>) también deben eliminarse, o aparecerán como texto literal entre corchetes angulares en tu resultado. - Finales de línea mixtos. Los archivos exportados desde distintas herramientas o sistemas operativos a veces mezclan
\r\ny\n, lo que puede romper patrones de expresión regular que asumen uno u otro.
Cómo se ve un buen resultado
El texto extraído correctamente se lee como prosa normal: frases completas, saltos de párrafo donde hay pausas naturales, sin números sueltos ni fragmentos de marca de tiempo, sin restos de marcado. El objetivo es un documento que se lea como si alguien hubiera simplemente transcrito el diálogo desde el principio, sin rastro del formato de subtítulos del que provino.
Cómo hacerlo sin la limpieza manual
Nuestro convertidor de SRT a TXT (y el correspondiente convertidor de VTT a TXT) se encarga de todo esto automáticamente: números de cue y marcas de tiempo eliminados, etiquetas eliminadas, frases que estaban divididas entre cues vueltas a unir en párrafos coherentes. Funciona completamente en tu navegador, así que nada del archivo se envía a ningún lado.