Converte legendas WebVTT em texto simples

O WebVTT (Web Video Text Tracks) é o formato de legendas padrão do W3C para vídeo HTML5, e é o que o Zoom, o Microsoft Teams, o Google Meet e o YouTube exportam quando descarregas a transcrição de uma reunião ou um ficheiro de legendas de vídeo. Todo o ficheiro .vtt começa com uma linha de cabeçalho WEBVTT, seguida de legendas cronometradas com milissegundos separados por ponto (00:00:03.500, não pela vírgula do SRT). O WebVTT também suporta metadados mais ricos do que o SRT: definições de legenda como align:start position:10% na linha de tempo, etiquetas de voz como <v Speaker Name> para identificar quem está a falar, e blocos NOTE / STYLE / REGION que contêm comentários ou estilos do tipo CSS em vez de diálogo.

Nada disso pertence a uma transcrição em texto simples. O analisador do SubToolDesk lê o teu ficheiro localmente através da API FileReader do navegador, descarta o cabeçalho e os blocos de metadados, remove as etiquetas de voz e de estilo, e, se o pedires, une as legendas restantes em parágrafos reais.

Instruções passo a passo

• Exporta ou localiza o teu ficheiro de legendas .vtt (tanto o Zoom como o Teams oferecem uma opção “Descarregar transcrição” ou “Descarregar legendas” depois de uma reunião).
• Arrasta-o para o conversor acima, ou cola o texto VTT em bruto no painel da esquerda.
• Confirma que a etiqueta de formato mostra VTT.
• Deixa Remover etiquetas de formatação ativado para remover etiquetas de voz e definições de legenda.
• Deixa Remover etiquetas de orador ativado se as legendas também anteciparem as linhas com um nome em texto (comum em transcrições do Teams geradas automaticamente).
• Copia ou Descarrega a transcrição .txt resultante.

Porquê converter WebVTT em texto simples

Um ficheiro .vtt é construído para um leitor de vídeo, não para quem lê. Reduzi-lo a texto simples é quase sempre sobre o que acontece a seguir:

• Colar em notas de reunião ou num documento de projeto, onde as marcas de tempo e as etiquetas de voz são apenas ruído.
• Entregar uma transcrição a um resumidor de IA ou a um chatbot, que lê muito melhor prosa contínua do que centenas de fragmentos de dois segundos.
• Publicar um resumo de blogue ou notas de episódio a partir de uma chamada, webinar ou podcast gravado.
• Tornar um vídeo acessível ou pesquisável como página de texto simples, sem publicar um ficheiro de legendas.
• Arquivar ou guardar uma transcrição como registo legível depois de a gravação original já não ser necessária.
• Enviar uma transcrição para tradução ou revisão, onde tradutores e editores trabalham com prosa, não com blocos de legendas.

Antes e depois: um exemplo real

Uma breve exportação ao estilo Zoom, com etiquetas de voz, definições de legenda, um bloco NOTE e tudo o resto, convertida com Unir em parágrafos, Remover etiquetas de orador e Remover etiquetas de formatação todos ativados (o estado predefinido nesta página):

WEBVTT

NOTE
Transcrição gerada pelo Zoom

00:00:01.200 --> 00:00:03.900 align:start position:10%
<v Jordan>Olá a todos, obrigado por se juntarem hoje à chamada.

00:00:03.900 --> 00:00:06.450
<v Priya>Claro! Vamos começar.

00:00:06.450 --> 00:00:09.800
<v Jordan>Excelente, então o primeiro ponto da agenda é o plano do terceiro trimestre.

Olá a todos, obrigado por se juntarem hoje à chamada. Claro! Vamos começar. Excelente, então o primeiro ponto da agenda é o plano do terceiro trimestre.

O cabeçalho WEBVTT, o bloco NOTE, todas as linhas de marca de tempo e definições de legenda, e ambas as etiquetas de voz <v Jordan> desapareceram. O que resta é exatamente o que foi dito, reorganizado em frases legíveis.

O formato WebVTT, em detalhe

Uma legenda típica com vários oradores tem este aspeto:

00:00:03.500 --> 00:00:06.120 align:start position:10%
<v Jordan>Obrigado por te juntares à chamada de hoje.

Ao contrário do SRT, uma linha inicial de identificador de legenda é opcional no WebVTT e pode ser qualquer cadeia de texto, não apenas um número sequencial. O analisador do SubToolDesk deteta a linha da marca de tempo diretamente (contém sempre -->) em vez de assumir uma ordem de linha fixa, pelo que ficheiros com ou sem identificadores são ambos analisados corretamente.

Porque é que isto importa especialmente para transcrições de reuniões

A legendagem automática do Zoom e do Teams é boa na sincronização, mas o ficheiro exportado está otimizado para leitores de vídeo, não para leitores humanos. Uma reunião de uma hora pode produzir centenas de legendas de dois segundos, cada uma um fragmento de frase com uma etiqueta de voz associada. Passar isso por este conversor com a união em parágrafos ativada transforma-o em algo que podes colar diretamente em notas de reunião, num resumo de blogue ou numa instrução para um resumidor de IA, sem que a gravação ou a transcrição original saiam alguma vez do teu computador.

De onde vêm realmente os ficheiros WebVTT

Além da videoconferência, o WebVTT é o formato de legendas que o YouTube te permite descarregar para qualquer vídeo com legendas, o formato que a maioria dos serviços de transcrição por IA (incluindo exportações do OpenAI Whisper) usa por predefinição, e o formato exigido pelo elemento <track> do HTML5 para qualquer vídeo legendado incorporado diretamente numa página web. Se descarregaste um ficheiro de legendas de mais ou menos qualquer lugar online nos últimos anos, há uma boa probabilidade de ser WebVTT em vez do formato SRT mais antigo, o que é parte da razão pela qual uma ferramenta de limpeza dedicada ao VTT, em vez de um script genérico de remoção de texto, é importante: as abordagens genéricas não sabem procurar etiquetas de voz nem ignorar blocos NOTE, para começar.

Lidar bem com transcrições de vários oradores

As ferramentas de legendagem automática identificam os oradores de duas formas diferentes, por vezes no mesmo ficheiro: através da etiqueta nativa do WebVTT <v Speaker Name>, ou como texto simples no início de uma linha (Jordan: Obrigado por te juntares.). O interruptor Remover etiquetas de formatação desta ferramenta remove o primeiro tipo; Remover etiquetas de orador remove o segundo. Ativar ambos em conjunto (o estado predefinido nesta página) produz uma transcrição sem nenhum dos dois formatos de etiqueta, independentemente de qual o teu ficheiro de origem usar.

O que este conversor preserva e remove

Preservado:

• Cada palavra do texto falado, pela ordem e pontuação originais.
• As quebras de parágrafo, seja a estrutura original de uma linha por legenda, seja parágrafos baseados em frases se Unir em parágrafos estiver ativado.

Removido:

• A linha de cabeçalho WEBVTT.
• Os blocos de metadados NOTE, STYLE e REGION.
• As linhas de identificador de legenda e todos os intervalos de marca de tempo.
• As definições de legenda na linha da marca de tempo, como align:start position:10%.
• Etiquetas de voz como <v Speaker Name>, quando Remover etiquetas de formatação está ativado.
• Prefixos de orador em texto simples como Jordan:, quando Remover etiquetas de orador está ativado.

Problemas comuns e como resolvê-los

• A saída continua a mostrar marcas de tempo ou setas -->: confirma que a etiqueta de formato acima do conversor mostra de facto VTT, e não Unknown; uma colagem muito truncada pode quebrar a deteção das legendas.
• As etiquetas <v Speaker Name> continuam no texto: ativa Remover etiquetas de formatação, só está desativado por predefinição se o tiveres alterado.
• Nomes em texto simples como Jordan: continuam a aparecer no início das linhas: é um interruptor separado, Remover etiquetas de orador, ativa-o também, já que deteta um padrão diferente do da remoção de etiquetas de voz acima.
• A transcrição lê-se como uma frase por linha em vez de parágrafos fluidos: ativa Unir em parágrafos.
• Os parágrafos ficam demasiado longos sem nenhuma indicação de mudança de orador: desativa Unir em parágrafos e mantém uma linha por legenda; depois de removidas as etiquetas de orador, o texto simples não tem forma de representar uma mudança de orador a meio do parágrafo.
• Letras acentuadas ou texto não inglês aparecem como caracteres estranhos tipo é: o .vtt de origem não foi guardado como UTF-8; volta a exportá-lo ou a guardá-lo como UTF-8 e carrega-o de novo.

O que verificar antes de confiar na saída

As legendas geradas automaticamente ocasionalmente transcrevem mal nomes, termos técnicos ou fala com acento, o que é uma limitação do sistema de legendagem que produziu o ficheiro, não algo que um formatador de texto possa corrigir. O SubToolDesk reformata exatamente o que está no ficheiro de origem; vale a pena dar uma vista de olhos rápida ao painel de saída em comparação com a gravação original antes de usar a transcrição em algo oficial, como uma ata de reunião ou um registo legal.