文字起こしや字幕ファイルからタイムスタンプを削除する方法

字幕や文字起こしのファイルはタイミングを軸に構築されていますが、記事やブログ記事、引用、翻訳用の原稿としてコンテンツを再利用したいときには、まさにそのタイミングが邪魔になります。生のSRTファイルを文書にそのまま貼り付けると、こうなります。

12
00:04:21,500 --> 00:04:24,800
そして、それが本当に核心です

読みやすい文章に必要なのは言葉だけです。「そして、それが本当に核心です」。

実際に取り除く必要があるもの

• キュー番号。 SRTの各ブロックの前にある連番(12、13、…)。
• タイムスタンプ行。 00:04:21,500 --> 00:04:24,800のような行。SRTのカンマ形式、VTTのピリオド形式いずれも対象です。
• WEBVTTヘッダー。 存在する場合。
• 書式タグ。 イタリック/ボールドのマークアップ(<i>、<b>)、配置キュー、一部のVTTファイルに含まれる話者ラベルタグ。
• キュー間の空行。 通常は、これをそのまま残すのではなく、通常の段落やセリフの間隔に整えたいはずです。

手作業(または検索置換)で行うとなぜ失敗するのか

タイムスタンプ行を取り除くための単純な正規表現は、短いファイルでは問題なく動作することが多いですが、2つの点でよく崩れます。1つは改行コードの不統一(異なるOSでエクスポートされたファイルは\nと\r\nが混在する)、もう1つは一見普通のテキストに見えるキュー番号が単純なパターンマッチを狂わせることです。長いファイル(1話分の文字起こし全体、講義、数時間のインタビューなど)では、1行の見落としが、目視で全体を再スキャンする羽目になります。

もう一つ、より見えにくい問題があります。2つのキューが文の途中で分割されている場合(長い文がキューの境界をまたぐときによくあります)、タイミング行を単純に削除すると、句読点でつながれていない2行に文が割れたまま残ってしまいます。優れたストリッピングツールは、これをフラグメントのまま残すのではなく、正しく結合します。

正しく行う

当サイトのタイムスタンプ削除ツールは、SRTまたはVTTファイルを受け取り、きれいな段落テキストを出力します。キュー番号、タイミング、タグはすべて取り除かれ、キューをまたいで分割されていた文は結合され、すべての処理はブラウザ内でローカルに行われるため、文字起こしデータが外部に送られることはありません。「タイミング付きの字幕ファイル」から「読みやすいテキスト」への最短経路であり、数百行のタイムスタンプを手作業で削る必要はありません。