Come rimuovere i timestamp da una trascrizione o da un file di sottotitoli

I file di sottotitoli e trascrizione sono costruiti attorno al timing, che è esattamente ciò che non vuoi quando riutilizzi il contenuto come articolo, post sul blog, citazione o copione per la traduzione. Un file SRT grezzo incollato in un documento ha questo aspetto:

12
00:04:21,500 --> 00:04:24,800
ed è davvero l'idea centrale

Una prosa leggibile ha bisogno solo delle parole: “ed è davvero l’idea centrale”.

Cosa va effettivamente eliminato

• Numeri di cue. L’indice sequenziale (12, 13, …) che precede ogni blocco in SRT.
• Righe di timestamp. La riga 00:04:21,500 --> 00:04:24,800, sia nel formato con virgola di SRT che in quello con punto di VTT.
• L’header WEBVTT, se presente.
• Tag di formattazione. Markup in corsivo/grassetto (<i>, <b>), cue di posizionamento e tag di etichetta del parlante che alcuni file VTT includono.
• Spaziatura a riga vuota tra i cue. Normalmente vuoi che venga ridotta a una normale spaziatura di paragrafo o frase, non lasciata com’è.

Perché farlo a mano (o con trova-e-sostituisci) va storto

Una semplice regex per eliminare le righe di timestamp di solito funziona bene su file brevi, ma due cose la rompono comunemente: terminatori di riga incoerenti (i file esportati su sistemi operativi diversi mescolano \n e \r\n), e numeri di cue che a prima vista sembrano testo normale ma fanno inceppare un pattern matching ingenuo. Su un file lungo (la trascrizione completa di un episodio, una lezione, un’intervista di più ore), una singola riga non catturata significa riscansionare tutto a occhio.

C’è anche un problema più sottile: quando due cue sono divisi a metà frase (comune quando una frase è lunga e attraversa un confine di cue), semplicemente eliminando le righe di timing ottieni una frase rotta su due righe senza punteggiatura che le collega. Un buon strumento di pulizia le ricongiunge correttamente invece di lasciare frammenti.

Farlo correttamente

Il nostro rimuovi-timestamp prende un file SRT o VTT e produce testo in paragrafi puliti: numeri di cue, timing e tag spariti, frasi ricongiunte dove erano state divise tra più cue, tutto elaborato localmente nel tuo browser, così la trascrizione non lascia mai il tuo dispositivo. È il percorso più rapido da “file di sottotitoli temporizzato” a “testo leggibile” senza dover pulire manualmente qualche centinaio di righe di timestamp.