永远不会离开你浏览器的字幕与文字记录工具

字幕和字幕文件本质上就是有结构的文本。一个 SRT（SubRip）文件按顺序列出字幕区块：一个序号、一个使用逗号分隔毫秒的 HH:MM:SS,mmm --> HH:MM:SS,mmm 格式时间码范围，以及一行或多行对话，区块之间用空行分隔。一个 WebVTT（.vtt）文件以 WEBVTT 标头开头，毫秒前使用句点而不是逗号，并且支持 SRT 所没有的额外元数据：诸如 align:start position:10% 的字幕设置、用于标注各说话人字幕的 <v 说话人姓名> 语音标签，以及 <i> 或 <c.yellow> 之类的样式标签。纯 .txt 文件则什么都没有，只有一行行文本——这正是大多数人真正想要用来阅读、粘贴进文档或输入摘要工具的内容。

第一步：加载你的文件

把一个 .srt、.vtt 或 .txt 文件拖到上方的工作台中，点击「上传文件」，或者直接把原始文本粘贴到左侧面板。SubToolDesk 使用浏览器的 FileReader API 在本地读取文件。它只会在内存中被解析，绝不会被传送到任何地方。

第二步：让自动检测完成它的工作

编辑器上方的徽章会通过扫描 WEBVTT 标头、逗号式时间码或句点式时间码来识别格式。如果这些模式都不匹配，文件就会被当作纯文本处理，每一个非空行会成为独立的片段，这样说话人标签和标签清理功能仍然可以生效。

第三步：选择输出格式并调整开关

选择纯文本以获得干净易读的文字记录，或选择 SRT/VTT 以保留（或转换）带时间信息的字幕结构。三个独立的开关可以进一步优化结果：

• 合并为段落：把零散的短字幕重新拼接成自然的句子和段落，利用标点符号判断一个意群在哪里结束、下一个从哪里开始。
• 去除说话人标签：去除字幕软件自动添加的开头标识符，例如 SPEAKER 1：、[John]：或>> JANE：。
• 去除格式标签：去除 HTML 风格的标签（<i>、<v Name>）以及 ASS 覆盖代码（{\an8}），这些内容如果不处理，就会作为视觉噪音混入纯文本导出结果中。

第四步：复制或下载

右侧面板会随着每一次按键和每一次开关切换实时更新。确认结果满意后，点击复制（或在文本面板之外任意位置按下 Cmd/Ctrl + C）从剪贴板获取结果，或点击下载保存一个带有正确扩展名的文件——整个过程中没有任何一次网络请求离开你的设备。

SRT 与 WebVTT：真正重要的技术差异

这两种格式乍看几乎一样，这正是它们之间互相转换时最容易出错的原因。SRT 的时间码用逗号分隔毫秒（00:00:06,120）；WebVTT 用句点（00:00:06.120）。WebVTT 要求文件顶部必须有一行字面意义上的 WEBVTT 标头；SRT 根本没有标头。WebVTT 还支持 SRT 从未设计过的功能：控制屏幕位置的字幕设置（如 align:start position:10%）、用于标注各说话人字幕的 <v 说话人姓名> 语音标签，以及专门用于注释和样式的 NOTE、STYLE 和 REGION 区块。SRT 的序号必须是严格、不间断的连续整数；WebVTT 的字幕标识符则是可选的，可以是任意字符串，也可以完全省略。手动编辑字幕文件时，只要其中任何一个细节出错，通常就是导致文件在播放器中「几乎能用」、却在浏览器中悄无声息地加载字幕失败的原因。

实际会用到这类工具的人

视频剪辑师会把带时间信息的字幕导出文件转换成纯文本脚本，在最终定剪前快速通读一遍。播客和内容团队会把自动生成的文字记录变成博客文章或节目笔记草稿，而不必重新输入任何内容。客户成功和销售团队会从一场 Zoom 或 Teams 录制中提取干净、去除说话人信息的摘要，用于 CRM 备注。网页开发者会为 HTML5 的 <track> 元素准备 .vtt 文件，以满足无障碍访问要求。研究人员和记者会清理访谈文字记录以便引用，而不必再次把原始录音交给第三方转录服务商。这些使用场景都有一个共同的底层需求：源文件往往是敏感的、尚未公开的，或者根本不该让陌生服务器插手。

关于准确性与局限性的说明

段落合并算法依靠标点符号——句号、问号、感叹号，以及字幕作者用来标记一句话延续到下一条字幕的省略号惯例——来判断一个段落在哪里结束、下一个从哪里开始。它的策略有意偏向保守：如果拿不准，它宁可把一个片段继续附着在相邻内容上，也不会去猜测一个实际并不存在的断点。对于标点习惯比较特殊的文件（例如完全没有句末标点），先关闭段落合并、查看每条字幕一行的输出结果，是在进一步重新格式化之前检查源文件最快的方法。