Convertir VTT a ASS

Porque el destino dejó de ser una página web. Un corte vertical para redes, una promoción que tiene que leerse con el sonido apagado, una versión traducida donde hay que sustituir un rótulo que está dentro de la imagen: nada de eso lo resuelve un elemento de pista y una hoja de estilos. Hacen falta subtítulos que formen parte del plano, y eso significa un formato donde la apariencia se escribe dentro del archivo.

WebVTT es un buen formato de entrega y uno pobre para componer este tipo de trabajo. Tiene un vocabulario de estilo pequeño, los navegadores implementan de forma desigual sus partes más débiles, y nada de eso sobrevive al momento en que el vídeo sale del navegador. El ASS lo construyó gente cuya única preocupación era el aspecto de los subtítulos, y esta conversión es la puerta de entrada.

Cruza: el texto de cada subtítulo, sus saltos de línea y sus tiempos de entrada y de salida. Eso es la sustancia de la pista y llega completa, con cada subtítulo convertido en una línea de diálogo bajo un único estilo.

Se queda: los ajustes de posición, las etiquetas de voz entendidas como hablantes, los bloques de estilo, las notas y los identificadores de subtítulo. Cuatro de esos cinco son construcciones que alguien tuvo que escribir a propósito, y por eso esta página los nombra en lugar de describir la conversión como si no perdiera nada. Si tu VTT lo generó un servicio de transcripción y nadie lo tocó después, ninguno se aplica y no se pierde absolutamente nada.

En el subtitulado accesible en español el color no es decoración. La práctica normalizada asigna un color distinto a cada personaje principal, con el amarillo, el verde y el cian entre los habituales, y coloca la línea en una zona concreta del cuadro según lo que esté ocurriendo. Quien subtitula para una televisión o para una plataforma trabaja con esas reglas delante.

Un WebVTT no puede expresar ninguna de las dos cosas de forma que sobreviva fuera del navegador. Un ASS sí: define estilos con nombre, cada uno con su color, y los asigna línea a línea. Por eso esta conversión no es un capricho de formato sino el paso necesario para poder cumplir con algo que en la pista de origen no cabía, y por eso conviene entrar en Aegisub sabiendo ya qué colores va a haber y cuántos personajes hay.

La línea de tiempos de un WebVTT puede llevar, después de la marca de salida, un número de línea, una alineación, una posición y un tamaño. El analizador lee la marca de salida hasta el primer espacio y tira lo que viene detrás, así que un subtítulo que habías empujado a propósito a la parte alta del cuadro sale con la misma alineación inferior centrada que todos los demás.

Lo irritante es que el ASS es dramáticamente mejor en esto de lo que fue nunca el WebVTT: tiene una rejilla numérica para las nueve posiciones estándar y una etiqueta que puede colocar una línea en una coordenada exacta, desplazarla en el tiempo o girarla. La información simplemente no sobrevive a un paso intermedio que guarda una entrada, una salida y un texto. Apunta qué subtítulos estaban colocados antes de convertir, porque después nada del archivo lo recuerda: busca en el VTT la palabra que marca la línea, anota las marcas de tiempo donde aparece, y ésos serán los que haya que rescatar del rótulo que tenían encima.

El WebVTT marca quién habla con una etiqueta entre ángulos al principio del subtítulo. El ASS atribuye una línea a un estilo con nombre, y opcionalmente a un campo de personaje dentro de la línea de diálogo, que es un mecanismo completamente distinto. Nada traduce lo uno en lo otro, y el texto se copia tal cual, así que la etiqueta llega como caracteres que un reproductor va a dibujar en pantalla.

La respuesta correcta es convertirla en estilo, que es a lo que venías. Define un estilo por hablante con su propio color, asigna las líneas y borra las etiquetas. Eso te da lo que la etiqueta de voz insinuaba y lo que un navegador casi siempre se negó a dibujar: dos personajes distinguibles de un vistazo, sin escribir sus nombres dentro del subtítulo.

El estilo que se genera es Arial de cuerpo 48, blanco, con un contorno negro de dos píxeles, sin sombra, alineación inferior centrada y márgenes de 10 a izquierda, derecha y abajo. La cabecera del guion declara la versión de guion, el modo de reparto de líneas y el escalado del contorno y de la sombra.

Para trabajo en redes los dos primeros campos que hay que tocar son la tipografía y el contorno. Arial está elegida porque existe en todas partes y no porque se parezca a nada, y un contorno de dos píxeles que se lee bien sobre una escena oscura desaparece sobre una clara: lo que hace legible un subtítulo en un móvil a pleno sol es una caja de fondo o un contorno más grueso. Que el escalado esté activado significa que ambos crecen con la resolución en lugar de quedarse fijos.

En WebVTT la apariencia vive sobre todo fuera del archivo: la hoja de estilos de la página apunta al pseudoelemento del subtítulo, y un bloque de estilo dentro del archivo es una versión limitada de lo mismo. El archivo describe contenido y la página describe presentación, que es una separación razonable para un formato de documento.

El ASS lo invierte. Los estilos tienen nombre, se definen dentro del archivo, se referencian por línea y se pueden sobrescribir en mitad de una palabra. El archivo es la presentación, que es por lo que se dibuja idéntico en todos los reproductores que implementan el formato y por lo que puede grabarse dentro de la imagen con confianza. Ninguno de los dos modelos se traduce mecánicamente en el otro, y ésa es la razón honesta de que no cruce nada de estilo.

El WebVTT escribe tres cifras después del punto decimal y el ASS escribe dos, así que cada marca de tiempo se trunca al entrar. Un subtítulo que empezaba en el segundo 1,238 empieza en el 1,23. El error es como mucho de nueve milésimas y siempre hacia atrás en el tiempo —el subtítulo puede adelantarse, nunca retrasarse.

Eso es una quinta parte de un fotograma a 24 imágenes por segundo y no se va a ver jamás. La única excepción es la temporización de karaoke, donde las sílabas se ajustan contra el audio y la diferencia entre dos sílabas contiguas puede contar. El karaoke se compone en ASS en lugar de convertirse hacia él, así que en la práctica esto es una nota al pie y no una limitación.

La mayoría de los sitios adonde va a ir el vídeo terminado no saben dibujar una pista ASS: las plataformas sociales, la galería de un teléfono, un televisor leyendo de una carpeta compartida y cualquier reproductor web. Si el diseño es el objetivo, el diseño tiene que convertirse en píxeles, y eso significa rasterizar los subtítulos dentro del fotograma y volver a codificar el vídeo.

Decídelo antes de componer y no después, porque los dos caminos premian decisiones distintas. Una pista destinada a grabarse dentro puede usar cualquier tipografía de tu equipo y colocar texto donde quiera, porque la máquina del espectador no interviene nunca. Una pista pensada para seguir siendo un archivo aparte tiene que sobrevivir a una sustitución de tipografía y a un reproductor que puede ignorar la mitad de lo que escribiste, y el diseño debe ser lo bastante conservador como para degradarse sin ruido.

Una línea de diálogo de ASS tiene nueve campos antes del texto: una capa, los dos tiempos, un nombre de estilo, un nombre de personaje, tres márgenes de excepción y un efecto. La conversión rellena tres de ellos —los tiempos y el estilo, que siempre es Default—, escribe la capa y los tres márgenes como cero, que es la forma de decir «usa los del estilo», y deja vacíos el nombre de personaje y el efecto.

Esos huecos son donde empieza la rotulación. La capa decide qué se dibuja encima de qué cuando dos líneas comparten pantalla, algo que importa en cuanto colocas un rótulo sobre un diálogo. Los márgenes de excepción mueven una sola línea sin tocar el estilo, que es la forma delicada de levantar un subtítulo por encima de otro que ya estaba grabado en la imagen. Y el nombre de personaje es un campo de texto libre que Aegisub muestra como columna, lo que lo convierte en el sitio natural para ir anotando quién habla mientras decides qué líneas van a qué estilo.

Los dos archivos responden preguntas distintas y es razonable conservar ambos, siempre que uno de los dos se genere a partir del otro. El VTT es de la página web, donde es accesible, seleccionable, buscable y desactivable. El ASS pertenece a la versión del vídeo donde la apariencia es parte del mensaje.

Cuál de los dos es el original depende de dónde ocurran las correcciones. Si lo que cambia más a menudo son las palabras —un nombre mal escrito, un ajuste de tiempos—, el original es el VTT y el ASS se vuelve a generar y a rotular, que es trabajo de verdad. Si lo que cambia es el diseño, quédate con el ASS y exporta una pista sencilla para la web. Lo que no funciona es editar los dos, porque ninguno de los dos archivos guarda cuál está ahora al día.

La lectura y la escritura son JavaScript corriente dentro de esta página: no hay motor que descargar, no hay petición que lleve el archivo y no hace falta cuenta. Un archivo de subtítulos pesa unos pocos kilobytes, así que el límite de 100 MB por archivo no lo vas a rozar, y se pueden soltar hasta cien de una vez y recogerlos en un ZIP.

Que se quede en local importa más de lo que parece con este material. Un guion de subtítulos suele ser el diálogo entero de algo que todavía no se ha estrenado, y en muchos encargos de traducción y de accesibilidad el acuerdo de confidencialidad prohíbe expresamente subirlo a servicios de terceros. Convertirlo aquí no es una excepción a esa cláusula: es no llegar a activarla.