如何从转录稿或字幕文件中去除时间码

字幕和转录文件都是围绕时间信息构建的,而当你想把这些内容重新用作文章、博客、引用,或者用于翻译的文稿时,时间信息恰恰是你不需要的东西。把一份原始 SRT 文件直接贴进文档里,看起来是这样的:

12
00:04:21,500 --> 00:04:24,800
这才是真正的核心内容

可读的文字只需要这句话本身:“这才是真正的核心内容”。

真正需要去除的内容

• 序号。 SRT 中每个片段前面的顺序编号(12、13……)。
• 时间码行。 00:04:21,500 --> 00:04:24,800 这一行,无论是 SRT 的逗号格式还是 VTT 的点号格式。
• WEBVTT 头部信息, 如果存在的话。
• 格式标签。 斜体/粗体标记(<i>、<b>)、定位标签,以及一些 VTT 文件中包含的说话人标签。
• cue 之间的空行间距。 通常你需要把它们合并成正常的段落或句子间距,而不是原样保留。

为什么手动处理(或用查找替换)容易出问题

对于短文件,一个简单的正则表达式去除时间码行通常没问题,但有两种情况经常会导致它失效:换行符不一致(在不同操作系统上导出的文件会混用 \n 和 \r\n),以及乍看像普通文字、却会让简单模式匹配出错的序号。在一份很长的文件上(完整一集的转录稿、一场讲座、一次数小时的采访),哪怕漏掉一行,都意味着要把整份文件重新用眼睛扫一遍。

还有一个更隐蔽的问题:当一句话被拆分在两个 cue 之间时(这种情况在句子较长、跨越了 cue 边界时很常见),单纯删除时间码行,会留下一句被断成两行、中间没有任何标点连接的句子。好的清除工具会正确地把这些重新拼接起来,而不是留下碎片。

正确的处理方式

我们的时间码去除工具可以接收 SRT 或 VTT 文件,输出干净的段落文本:去掉序号、时间码和标签,把被拆分到多个 cue 的句子重新拼接起来,整个过程都在你的浏览器本地完成,转录内容不会离开你的设备。这是从“带时间码的字幕文件”到“可读文本”最快的路径,不需要手动清理几百行时间码。