Comment supprimer les horodatages d'une transcription ou d'un fichier de sous-titres

Les fichiers de sous-titres et de transcription sont construits autour du timing, ce qui est exactement ce que vous ne voulez pas quand vous réutilisez le contenu comme article, billet de blog, citation, ou script pour traduction. Un fichier SRT brut déposé dans un document ressemble à ça :

12
00:04:21,500 --> 00:04:24,800
et c'est vraiment l'idée centrale

Une prose lisible n’a besoin que des mots : « et c’est vraiment l’idée centrale ».

Ce qui doit réellement être supprimé

• Les numéros de cue. L’index séquentiel (12, 13, …) qui précède chaque bloc en SRT.
• Les lignes d’horodatage. La ligne 00:04:21,500 --> 00:04:24,800, au format virgule du SRT ou au format point du VTT.
• L’en-tête WEBVTT, s’il est présent.
• Les balises de formatage. Le balisage italique/gras (<i>, <b>), les repères de positionnement, et les balises d’étiquette de locuteur que certains fichiers VTT incluent.
• Les espacements entre les cues. Vous voulez généralement que cela soit ramené à un espacement normal de paragraphe ou de phrase, plutôt que conservé tel quel.

Pourquoi le faire à la main (ou avec un rechercher-remplacer) pose problème

Une regex simple pour supprimer les lignes d’horodatage fonctionne généralement bien sur des fichiers courts, mais deux choses la font souvent échouer : des fins de ligne incohérentes (les fichiers exportés sur différents systèmes d’exploitation mélangent \n et \r\n), et des numéros de cue qui ressemblent à du texte normal à première vue mais qui font trébucher un motif naïf. Sur un fichier long (une transcription d’épisode complet, un cours, un entretien de plusieurs heures), une seule ligne manquée signifie devoir tout réexaminer à l’œil.

Il y a aussi un problème plus subtil : quand deux cues sont coupées en plein milieu d’une phrase (fréquent quand une phrase est longue et traverse une limite de cue), supprimer simplement les lignes de timing vous laisse avec une phrase cassée en deux lignes sans aucune ponctuation pour les relier. Un bon outil de nettoyage rassemble correctement ces fragments plutôt que de les laisser tels quels.

Bien faire les choses

Notre outil de suppression des horodatages prend un fichier SRT ou VTT et produit un texte en paragraphes propres : numéros de cue, timing et balises disparus, phrases rassemblées là où elles étaient coupées entre plusieurs cues, tout traité localement dans votre navigateur pour que la transcription ne quitte jamais votre appareil. C’est le chemin le plus rapide d’un « fichier de sous-titres chronométré » à un « texte lisible », sans avoir à nettoyer manuellement des centaines de lignes d’horodatage.