Convierte subtítulos WebVTT a texto plano

WebVTT (Web Video Text Tracks) es el formato estándar del W3C para subtítulos en vídeo HTML5, y es el que exportan Zoom, Microsoft Teams, Google Meet y YouTube cuando descargas la transcripción de una reunión o un archivo de subtítulos de vídeo. Todo archivo .vtt comienza con una línea de cabecera WEBVTT, seguida de subtítulos cronometrados con milisegundos separados por punto (00:00:03.500, no por coma como en SRT). WebVTT también admite metadatos más ricos que SRT: ajustes de subtítulo como align:start position:10% en la línea de tiempo, etiquetas de voz como <v Speaker Name> para indicar quién habla, y bloques NOTE / STYLE / REGION que contienen comentarios o estilos tipo CSS en lugar de diálogo.

Nada de eso pertenece a una transcripción en texto plano. El analizador de SubToolDesk lee tu archivo localmente mediante la FileReader API del navegador, descarta la cabecera y los bloques de metadatos, elimina las etiquetas de voz y de estilo y, si se lo pides, une los subtítulos restantes en párrafos reales.

Instrucciones paso a paso

• Exporta o localiza tu archivo de subtítulos .vtt (tanto Zoom como Teams ofrecen una opción “Descargar transcripción” o “Descargar subtítulos” después de una reunión).
• Suéltalo en el convertidor de arriba, o pega el texto VTT sin procesar en el panel izquierdo.
• Confirma que la insignia de formato muestre VTT.
• Deja activado Quitar etiquetas de formato para eliminar las etiquetas de voz y los ajustes de subtítulo.
• Deja activado Quitar etiquetas de hablante si los subtítulos también anteponen un nombre en texto a cada línea (habitual en transcripciones de Teams generadas automáticamente).
• Pulsa Copiar o Descargar para obtener la transcripción .txt resultante.

Por qué convertir WebVTT a texto plano

Un archivo .vtt está pensado para un reproductor de vídeo, no para una persona que lee. Reducirlo a texto plano suele ser por lo que viene después:

• Pegarlo en notas de reunión o un documento de proyecto, donde las marcas de tiempo y las etiquetas de voz solo son ruido.
• Pasar la transcripción a un resumidor de IA o un chatbot, que lee mucho mejor prosa continua que cientos de fragmentos de dos segundos.
• Publicar un resumen de blog o notas del episodio a partir de una llamada, seminario web o pódcast grabado.
• Hacer un vídeo accesible o buscable como página de texto plano, sin tener que publicar un archivo de subtítulos.
• Archivar una transcripción como registro legible una vez que ya no se necesita la grabación original.
• Enviar una transcripción para traducción o edición, donde traductores y editores trabajan con prosa, no con bloques de subtítulos.

Antes y después: un ejemplo real

Una exportación breve al estilo Zoom, con etiquetas de voz, ajustes de subtítulo, un bloque NOTE y todo lo demás:

WEBVTT

NOTE
Transcripción generada por Zoom

00:00:01.200 --> 00:00:03.900 align:start position:10%
<v Jordan>Hola a todos, gracias por uniros hoy a la llamada.

00:00:03.900 --> 00:00:06.450
<v Priya>¡Claro! Empecemos.

00:00:06.450 --> 00:00:09.800
<v Jordan>Genial, lo primero en la agenda es la hoja de ruta del tercer trimestre.

Con Unir en párrafos, Quitar etiquetas de hablante y Quitar etiquetas de formato activados (el estado predeterminado en esta página), eso se convierte en:

Hola a todos, gracias por uniros hoy a la llamada. ¡Claro! Empecemos. Genial, lo primero en la agenda es la hoja de ruta del tercer trimestre.

La cabecera WEBVTT, el bloque NOTE, cada línea de marca de tiempo y ajuste de subtítulo, y ambas etiquetas de voz <v Jordan> han desaparecido. Lo que queda es exactamente lo que se dijo, reorganizado en frases legibles.

El formato WebVTT, en detalle

Un subtítulo típico con varios hablantes se ve así:

00:00:03.500 --> 00:00:06.120 align:start position:10%
<v Jordan>Gracias por unirte a la llamada de hoy.

A diferencia de SRT, la línea de identificador inicial del subtítulo es opcional en WebVTT y puede ser cualquier cadena de texto, no solo un número secuencial. El analizador de SubToolDesk detecta la línea de marca de tiempo directamente (siempre contiene -->) en lugar de asumir un orden de línea fijo, de modo que los archivos con o sin identificadores se analizan correctamente por igual.

Por qué esto importa especialmente para transcripciones de reuniones

Los subtítulos automáticos de Zoom y Teams son buenos en la sincronización, pero el archivo exportado está optimizado para reproductores de vídeo, no para lectores. Una reunión de una hora puede generar cientos de subtítulos de dos segundos, cada uno un fragmento de frase con una etiqueta de voz adjunta. Pasar eso por este convertidor con la unión en párrafos activada lo transforma en algo que puedes pegar directamente en notas de reunión, un resumen de blog o una instrucción para un resumidor de IA, sin que la grabación o transcripción original salga nunca de tu equipo.

De dónde vienen realmente los archivos WebVTT

Más allá de la videoconferencia, WebVTT es el formato de subtítulos que YouTube te permite descargar para cualquier vídeo con subtítulos, el formato que usan por defecto la mayoría de los servicios de transcripción por IA (incluidas las exportaciones de OpenAI Whisper), y el formato que exige el elemento <track> de HTML5 para cualquier vídeo con subtítulos incrustado directamente en una página web. Si has descargado un archivo de subtítulos de prácticamente cualquier parte en línea en los últimos años, es muy probable que sea WebVTT y no el formato SRT más antiguo, lo cual es parte de la razón por la que una herramienta de limpieza dedicada a VTT, en lugar de un script genérico de eliminación de texto, marca la diferencia: los enfoques genéricos no saben buscar etiquetas de voz ni omitir bloques NOTE de entrada.

Gestionar bien las transcripciones con varios hablantes

Las herramientas de subtitulado automático etiquetan a los hablantes de dos formas distintas, a veces en el mismo archivo: mediante la etiqueta nativa de WebVTT <v Speaker Name>, o como texto plano al inicio de una línea (Jordan: Gracias por unirte.). El interruptor Quitar etiquetas de formato de esta herramienta elimina el primer tipo; Quitar etiquetas de hablante elimina el segundo. Activar ambos a la vez (el estado predeterminado en esta página) produce una transcripción sin ningún rastro de ninguno de los dos formatos de etiqueta, sin importar cuál use tu archivo de origen.

Qué conserva y qué elimina este convertidor

Se conserva:

• Cada palabra del texto hablado, en su orden y puntuación originales.
• Los saltos de párrafo, ya sea la estructura original de una línea por subtítulo, o párrafos basados en frases si Unir en párrafos está activado.

Se elimina:

• La línea de cabecera WEBVTT.
• Los bloques de metadatos NOTE, STYLE y REGION.
• Las líneas de identificador de subtítulo y todos los rangos de marca de tiempo.
• Los ajustes de subtítulo en la línea de tiempo, como align:start position:10%.
• Las etiquetas de voz como <v Speaker Name>, cuando Quitar etiquetas de formato está activado.
• Los prefijos de hablante en texto plano como Jordan:, cuando Quitar etiquetas de hablante está activado.

Problemas comunes y cómo solucionarlos

• El resultado todavía muestra marcas de tiempo o flechas -->: comprueba que la insignia de formato encima del convertidor muestre realmente VTT y no Unknown; un pegado truncado puede romper la detección de subtítulos.
• Las etiquetas <v Speaker Name> siguen apareciendo en el texto: activa Quitar etiquetas de formato, solo está desactivado si lo cambiaste tú.
• Nombres en texto plano como Jordan: siguen anteponiéndose a las líneas: es un interruptor distinto, Quitar etiquetas de hablante, actívalo también, ya que detecta un patrón diferente al de las etiquetas de voz.
• La transcripción se lee como una frase por línea en lugar de párrafos fluidos: activa Unir en párrafos.
• Los párrafos quedan demasiado largos y no se nota el cambio de hablante: desactiva Unir en párrafos y conserva una línea por subtítulo; una vez eliminadas las etiquetas de hablante, el texto plano no tiene forma de representar un cambio de hablante a mitad de párrafo.
• Las letras acentuadas o el texto no inglés aparecen como caracteres extraños tipo é: el archivo .vtt de origen no se guardó como UTF-8; vuelve a exportarlo o guardarlo como UTF-8 y súbelo de nuevo.

Qué comprobar antes de confiar en el resultado

Los subtítulos generados automáticamente a veces transcriben mal nombres, términos técnicos o pronunciaciones con acento, lo cual es una limitación del sistema de subtitulado que produjo el archivo, no algo que un formateador de texto pueda corregir. SubToolDesk reformatea exactamente lo que hay en el archivo de origen; vale la pena echar un vistazo rápido al panel de salida comparándolo con la grabación original antes de usar la transcripción en algo oficial, como un acta de reunión o un documento legal.