将 WebVTT 字幕转换为纯文本

WebVTT（Web Video Text Tracks）是 HTML5 视频的 W3C 标准字幕格式，也是 Zoom、Microsoft Teams、Google Meet 和 YouTube 在你下载会议文字记录或视频字幕文件时导出的格式。每个 .vtt 文件都以一行 WEBVTT 标头开头，随后是以句号分隔毫秒的时间信息（00:00:03.500，而不是 SRT 使用的逗号）。WebVTT 还支持比 SRT 更丰富的元数据：时间戳行上的字幕设置，比如 align:start position:10%；用来标注说话人身份的语音标签，比如 <v 说话人姓名>；以及携带注释或类似 CSS 样式而非对话内容的 NOTE / STYLE / REGION 区块。

这些内容都不应该出现在纯文本的文字记录中。SubToolDesk 的解析器会通过浏览器的 FileReader API 在本地读取你的文件，丢弃标头和元数据区块，去除语音标签和样式标签，并且如果你要求的话，还会把剩余的字幕内容重新排列成真正的段落。

分步说明

• 导出或找到你的 .vtt 字幕文件（Zoom 和 Teams 在会议结束后都提供「下载文字记录」或「下载字幕」选项）。
• 将它拖到上方的转换器中，或将原始 VTT 文本粘贴到左侧面板。
• 确认格式徽章显示为 VTT。
• 保持去除格式标签开启，以移除语音标签和字幕设置。
• 如果字幕还在每行前面标注了纯文本形式的姓名（这在自动生成的 Teams 文字记录中很常见），保持去除说话人标签开启。
• 复制或下载生成的 .txt 文字记录。

为什么要把 WebVTT 转换为纯文本

.vtt 文件是为视频播放器而设计的，不是为阅读者设计的。把它简化为纯文本几乎总是为了接下来要做的事情：

• 粘贴到会议记录或项目文档中，这时时间戳和语音标签只是干扰。
• 把文字记录提供给 AI 摘要工具或聊天机器人，它们阅读连续文章的效果远比阅读数百个两秒钟的片段要好。
• 根据录制的通话、网络研讨会或播客撰写博客回顾或节目笔记。
• 把视频变成可访问或可搜索的纯文本页面，而不需要发布一份字幕文件。
• 在原始录制内容不再需要保留之后，将文字记录存档为一份可读的记录。
• 把文字记录发送出去进行翻译或编辑，译者和编辑处理的是段落，而不是字幕块。

转换前后对比：一个真实示例

一段简短的 Zoom 风格导出文件，包含语音标签、字幕设置、一个 NOTE 区块等内容，在合并为段落、去除说话人标签和去除格式标签全部开启（本页面的默认状态）的情况下进行转换：

WEBVTT

NOTE
由 Zoom 生成的文字记录

00:00:01.200 --> 00:00:03.900 align:start position:10%
<v Jordan>大家好，谢谢大家今天加入这次通话。

00:00:03.900 --> 00:00:06.450
<v Priya>当然！我们开始吧。

00:00:06.450 --> 00:00:09.800
<v Jordan>好的，议程上的第一项是第三季度的路线图。

大家好，谢谢大家今天加入这次通话。当然！我们开始吧。好的，议程上的第一项是第三季度的路线图。

WEBVTT 标头、NOTE 区块、每一行时间戳和字幕设置，以及两个 <v Jordan> 语音标签都已消失。剩下的正是实际说出的内容，重新排版成了易读的句子。

详解 WebVTT 格式

一条典型的多说话人 VTT 字幕看起来是这样的：

00:00:03.500 --> 00:00:06.120 align:start position:10%
<v Jordan>谢谢你今天加入这次通话。

与 SRT 不同，WebVTT 中起始的字幕标识符行是可选的，并且可以是任意字符串，而不只是一个连续的数字。SubToolDesk 的解析器会直接检测时间戳行（它始终包含 -->），而不是假定一个固定的行顺序，因此无论文件中是否有标识符，都能正确解析。

为什么这对会议文字记录尤为重要

Zoom 和 Teams 的自动字幕在时间同步方面表现不错，但导出的文件是为视频播放器优化的，不是为阅读者优化的。一场一小时的会议可能产生数百条两秒钟的字幕，每条都是一个带有语音标签的句子片段。把它通过这个转换器处理，并开启段落合并，就能变成可以直接粘贴进会议记录、博客回顾，或作为 AI 摘要工具提示词的内容，而原始录音或文字记录永远不会离开你的设备。

WebVTT 文件究竟从何而来

除了视频会议之外，WebVTT 还是 YouTube 让你为任何带字幕的视频下载字幕时使用的格式，是大多数 AI 转录服务（包括 OpenAI Whisper 的导出）默认使用的格式，也是 HTML5 <track> 元素要求的、用于直接嵌入网页的任何带字幕视频的格式。如果你在过去几年里从网上几乎任何地方下载过字幕文件，很可能它是 WebVTT，而不是更早的 SRT 格式——这也是为什么一个专门识别 VTT 的清理工具，而不是一个通用的文本剔除脚本，会有意义：通用方案根本不知道要去查找语音标签，或者从一开始就跳过 NOTE 区块。

妥善处理多说话人文字记录

自动字幕工具用两种不同的方式标注说话人，有时甚至在同一个文件中同时使用：通过 WebVTT 原生的 <v 说话人姓名> 标签，或者作为一行开头的纯文本（Jordan: 谢谢加入。）。这个工具的去除格式标签开关会移除第一种；去除说话人标签会移除第二种。两者同时开启（本页面的默认状态）会生成一份不残留任何一种标签格式的文字记录，无论你的源文件用的是哪一种。

这个转换器会保留什么、去除什么

会保留：

• 每一个对话文本的词语，保持原有顺序和标点。
• 段落断点——无论是原始的每条字幕一行结构，还是在开启合并为段落后基于句子生成的段落。

会去除：

• WEBVTT 标头行。
• NOTE、STYLE 和 REGION 元数据区块。
• 字幕标识符行和每一个时间戳范围。
• 时间戳行上的字幕设置，比如 align:start position:10%。
• 诸如 <v 说话人姓名> 这样的语音标签，当去除格式标签开启时。
• 像 Jordan: 这样的纯文本说话人前缀，当去除说话人标签开启时。

常见问题及解决方法

• 输出中仍然显示时间戳或 --> 箭头：检查转换器上方的格式徽章是否确实显示为 VTT，而不是 Unknown；被严重截断的粘贴内容会破坏字幕检测。
• <v 说话人姓名> 标签仍然留在文本中：打开去除格式标签，只有在你自己改动过的情况下它才会处于关闭状态。
• 像 Jordan: 这样的纯文本名称仍然作为每行的前缀：这是一个独立的开关——去除说话人标签，也打开它，因为它识别的是和上面语音标签去除不同的模式。
• 文字记录读起来是每行一句话，而不是流畅的段落：打开合并为段落。
• 段落太长，看不出任何说话人切换的迹象：改为关闭合并为段落，保持每条字幕一行；一旦说话人标签被去除，纯文本就没有办法表示段落中间的说话人切换了。
• 带声调符号的字母或非英文文本显示为乱码，例如 é：说明源 .vtt 文件没有以 UTF-8 编码保存；请重新导出或以 UTF-8 重新保存后再重新上传。

在信任输出结果之前要检查什么

自动生成的字幕有时会错误转录姓名、专业术语或带口音的语音，这是生成该文件的字幕系统本身的局限，不是文本格式化工具能够修复的问题。SubToolDesk 只会按原样重新格式化源文件中已有的内容；在把文字记录用于任何正式场合（比如会议纪要或法律记录）之前，花点时间把输出面板和原始录音对照检查一下是值得的。