Como Remover Timestamps de uma Transcrição ou Arquivo de Legenda

Arquivos de legenda e transcrição são construídos em torno da cronometragem, que é exatamente o que você não quer quando está reaproveitando o conteúdo como um artigo, uma postagem de blog, uma citação ou um roteiro para tradução. Um arquivo SRT bruto despejado em um documento fica assim:

12
00:04:21,500 --> 00:04:24,800
e essa é realmente a ideia central

Prosa legível precisa apenas das palavras: “e essa é realmente a ideia central.”

O que realmente precisa ser removido

• Números de cue. O índice sequencial (12, 13, …) que precede cada bloco no SRT.
• Linhas de timestamp. A linha 00:04:21,500 --> 00:04:24,800, seja no formato de vírgula do SRT ou no formato de ponto do VTT.
• O cabeçalho WEBVTT, se presente.
• Tags de formatação. Marcação de itálico/negrito (<i>, <b>), cues de posicionamento e tags de rótulo de falante que alguns arquivos VTT incluem.
• Espaçamento em branco entre cues. Geralmente você quer que isso seja reduzido a um espaçamento normal de parágrafo ou frase, não preservado como está.

Por que fazer isso manualmente (ou com find-and-replace) dá errado

Uma regex simples para remover linhas de timestamp costuma funcionar bem em arquivos curtos, mas duas coisas comumente a quebram: terminações de linha inconsistentes (arquivos exportados em sistemas operacionais diferentes misturam \n e \r\n), e números de cue que parecem texto normal à primeira vista, mas confundem um padrão simplista. Em um arquivo longo (uma transcrição de episódio completo, uma palestra, uma entrevista de várias horas), uma única linha esquecida significa reescanear tudo manualmente.

Há também um problema mais sutil: quando dois cues são divididos no meio de uma frase (comum quando uma frase é longa e cruza o limite de um cue), simplesmente apagar as linhas de cronometragem deixa você com uma frase quebrada em duas linhas sem nenhuma pontuação ligando-as. Uma boa ferramenta de remoção reúne isso corretamente, em vez de deixar fragmentos.

Fazendo isso corretamente

Nosso removedor de timestamps pega um arquivo SRT ou VTT e gera texto em parágrafos limpos: números de cue, cronometragem e tags removidos, frases que foram divididas entre cues reunidas, tudo processado localmente no seu navegador para que a transcrição nunca saia do seu dispositivo. É o caminho mais rápido de “arquivo de legenda cronometrado” para “texto legível” sem limpar manualmente algumas centenas de linhas de timestamp.