Cómo eliminar las marcas de tiempo de una transcripción o archivo de subtítulos

Los archivos de subtítulos y transcripciones están construidos alrededor del tiempo, que es exactamente lo que no quieres cuando reutilizas el contenido como un artículo, una entrada de blog, una cita o un guion para traducción. Un archivo SRT sin procesar pegado en un documento se ve así:

12
00:04:21,500 --> 00:04:24,800
y esa es realmente la idea central

La prosa legible necesita solo las palabras: “y esa es realmente la idea central”.

Qué hay que eliminar realmente

• Números de cue. El índice secuencial (12, 13, …) que precede a cada bloque en SRT.
• Líneas de marca de tiempo. La línea 00:04:21,500 --> 00:04:24,800, ya sea en el formato de coma de SRT o en el de punto de VTT.
• La cabecera WEBVTT, si está presente.
• Etiquetas de formato. Marcado de cursiva/negrita (<i>, <b>), cues de posicionamiento y etiquetas de hablante que incluyen algunos archivos VTT.
• Espaciado de línea en blanco entre cues. Normalmente quieres que esto se colapse en un espaciado normal de párrafo o frase, no que se conserve tal cual.

Por qué hacerlo a mano (o con find-and-replace) sale mal

Una expresión regular sencilla para eliminar las líneas de marca de tiempo suele funcionar bien en archivos cortos, pero hay dos cosas que normalmente la rompen: los finales de línea inconsistentes (los archivos exportados en distintos sistemas operativos mezclan \n y \r\n), y los números de cue que a simple vista parecen texto normal pero hacen tropezar a un patrón ingenuo. En un archivo largo (la transcripción completa de un episodio, una conferencia, una entrevista de varias horas), una sola línea pasada por alto significa volver a revisar todo a simple vista.

También hay un problema más sutil: cuando dos cues se dividen a mitad de frase (algo común cuando una frase es larga y cruza un límite de cue), simplemente borrar las líneas de tiempo te deja con una frase partida en dos líneas sin puntuación que las conecte. Una buena herramienta de limpieza las vuelve a unir correctamente en vez de dejar fragmentos.

Cómo hacerlo correctamente

Nuestro eliminador de marcas de tiempo toma un archivo SRT o VTT y genera texto en párrafos limpios: números de cue, tiempo y etiquetas eliminados, frases vueltas a unir donde estaban divididas entre cues, todo procesado localmente en tu navegador para que la transcripción nunca salga de tu dispositivo. Es el camino más rápido de “archivo de subtítulos cronometrado” a “texto legible” sin tener que limpiar a mano unas cuantas cientos de líneas de marcas de tiempo.