Convertir VTT a SBV

WebVTT es un formato con sitio para muchas cosas: una cabecera obligatoria, identificadores opcionales delante de cada entrada, bloques de comentario, un bloque de estilo, ajustes colgados de la línea de tiempos y etiquetas dentro del propio texto. Todo eso existe por buenas razones y todo eso estorba cuando lo que quieres es una lista de momentos y lo que se dijo en cada uno.

SBV no tiene nada de eso. Una línea de tiempos, un texto, una línea en blanco, y la siguiente entrada. Ese es el formato entero, y por eso sigue siendo útil como archivo de trabajo mucho después de que la herramienta para la que se inventó cambiara de forma. Es el destino sensato cuando el paso siguiente es una persona leyendo línea por línea o un script partiendo por una coma.

La cabecera se va, porque SBV no tiene ninguna. Los identificadores de entrada se van, porque SBV no numera ni nombra nada. Los bloques de comentario y de estilo también, y merece la pena saber por qué: un bloque se reconoce como entrada por contener la flecha entre los dos tiempos, y ninguno de los dos la contiene, así que se saltan en vez de colarse como texto de subtítulo.

Es un detalle de implementación con una consecuencia agradable: no hay ningún caso en el que una nota del traductor o una hoja de estilo acabe apareciendo sobre el vídeo. Lo que no lleva flecha, no llega. Lo que sí llega es exactamente el conjunto de bloques que tienen tiempos, que es lo que un archivo de subtítulos es en realidad.

Los ajustes escritos detrás del tiempo final —línea, posición, alineación, tamaño— se descartan: de esa parte de la línea se lee solo el primer bloque de caracteres y el resto se ignora. Un archivo que colocaba entradas concretas llega convertido con todas en la misma posición.

Eso importa cuando la colocación era una decisión y no un adorno. Un subtítulo subido a la parte alta de la imagen para no tapar un rótulo, un letrero o un teléfono en pantalla vuelve al centro y abajo, es decir, justo encima de lo que se quería esquivar. Y no hay forma de recuperarlo desde el SBV: el WebVTT es la única copia de esa información, así que consérvalo aunque el trabajo continúe en el archivo plano.

Una sola línea lleva los dos tiempos separados por una coma. El punto antes de los milisegundos es el mismo que usa WebVTT, así que esa mitad no requiere ninguna reflexión. Lo que cambia son las horas: SBV las escribe sin cero delante, de modo que un tiempo que en el VTT era 00:04:12.500 sale como 0:04:12.500.

Ese es exactamente el motivo por el que renombrar un archivo no funciona y convertirlo sí. Los tiempos, en cambio, no se tocan: todos los valores se manejan en milisegundos enteros de principio a fin y se vuelven a escribir con esa misma resolución, así que cada entrada empieza y termina en el instante en el que empezaba y terminaba. No se redondea nada, no se ajusta nada a fotogramas y no se desplaza nada; lo único distinto es la puntuación alrededor de los números.

Aquí está el límite del aplanado y conviene decirlo con claridad. El texto de cada entrada se copia literalmente. Una etiqueta de cursiva, una de negrita, una de voz con el nombre de quien habla: las tres viajan del WebVTT al SBV como caracteres normales, porque nada interpreta el interior de una entrada.

SBV no tiene ningún tipo de estilo, así que esas etiquetas se van a mostrar en vez de aplicarse. Si la idea era un archivo con palabras y nada más, una sustitución con expresión regular termina el trabajo. Hacerlo primero en el WebVTT es mejor práctica, porque ese es el archivo que alguien volverá a convertir el mes que viene.

La mayoría de los WebVTT que circulan salieron de una transcripción automática, y la estructura de SBV encaja bien con la corrección: las líneas de tiempos son cortas y se leen de un salto, el texto va en sus propias líneas y no hay numeración que rehacer cuando una entrada se parte o se junta con la siguiente.

Un truco que ahorra una pasada entera: reúne los nombres antes de empezar. Personas, empresas, productos, lugares y cualquier sigla en la que se apoye la grabación; sácalos de la descripción o de las diapositivas y luego busca cada uno en el archivo. Un reconocedor falla de forma consistente y no aleatoria, así que un nombre que salió mal una vez salió mal siempre, y una sustitución arregla treinta apariciones de golpe. Leerse el archivo de arriba abajo buscándolos es el mismo trabajo repartido en una hora.

Hay un patrón bastante estable y conocerlo acelera mucho la revisión. Los pares que suenan igual y se escriben distinto son los primeros: haber y a ver, hay y ahí, echo y hecho, halla y haya, tubo y tuvo. Ningún modelo acústico los distingue por el sonido y el contexto no siempre basta, así que conviene buscarlos uno a uno.

Después vienen los signos de apertura. Prácticamente ninguna transcripción automática escribe la interrogación ni la exclamación de apertura, de modo que un archivo lleno de preguntas llega con la mitad de la puntuación puesta. Y los nombres propios y los topónimos con grafías locales —apellidos, calles, municipios— salen aproximados de una forma que a veces cambia el sentido de la frase. Ninguna de las tres cosas es un problema de formato, y las tres son la razón por la que una transcripción automática vale para hacerse una idea y no para publicar.

Corregir subtítulos casi siempre significa mover fronteras y no solo cambiar palabras: una entrada que se come un punto y seguido quiere partirse, y dos fragmentos que el reconocedor separó quieren juntarse. En SubRip cada una de esas ediciones invalida la numeración a partir de ahí, y un archivo corregido a mano acaba con dos entradas con el mismo número o con un salto que nadie recuerda haber hecho.

SBV no tiene numeración que romper. Partir una entrada es añadir una línea de tiempos y una línea en blanco; unir dos es borrarlas. Nada de lo que viene después hay que tocarlo y ningún reproductor está contando. Esa es una ventaja real del formato para el único trabajo en el que es bueno.

SBV es el formato de la propia Google, producido por el editor de subtítulos de YouTube desde 2008 y ofrecido por su herramienta de descarga. Subir uno devuelve los subtítulos a un sitio donde se pueden editar contra la línea de tiempo del vídeo, que es la forma más rápida de arreglar sincronía y no redacción.

Conviene ser honesto sobre la necesidad: YouTube acepta WebVTT directamente, así que esta conversión no es un requisito previo para subtitular un vídeo allí. Se gana su sitio cuando el trabajo está ocurriendo dentro del editor, cuando un script de tu flujo espera ese formato, o cuando ya tienes un archivo histórico en SBV y el que acaba de llegar en WebVTT es el raro.

Buena parte de la demanda de archivos de subtítulos no tiene nada que ver con subtitular. La gente quiere el texto: convertir una charla en un artículo, citar bien a alguien, o buscar en una grabación de dos horas los cuatro minutos que interesan. Para eso los tiempos son ruido y el SBV es una parada intermedia y no el destino.

El archivo plano hace ese último paso trivial: borra todas las líneas que llevan una coma entre dos tiempos y lo que queda es la transcripción. Se hace con una expresión regular en cualquier editor o en tres líneas de cualquier lenguaje. Lo que ninguna conversión arregla es la fiabilidad de las palabras, y una transcripción de un reconocedor hay que contrastarla con el audio antes de citar nada de ella.

Como archivo a conservar, un SBV no vale gran cosa: apenas se lee fuera de YouTube, no guarda nada que WebVTT o SubRip no guarden y no registra de dónde vinieron los subtítulos ni qué estaban esquivando en pantalla. Convierte, corrige, sube o procesa, y quédate con el WebVTT como el archivo al que vuelves.

El análisis y la reescritura son JavaScript corriente en tu navegador, así que nada sale de tu equipo, hay 100 MB por archivo y se pueden soltar cien de golpe. Eso importa más de lo que parece con este material concreto: una transcripción no es solo palabras, es el contenido íntegro de una reunión, de una entrevista, de un consejo o de una consulta, con nombres de personas dentro. Pasarla por un conversor ajeno para cambiar una coma de sitio entrega exactamente eso a una máquina de la que no sabes nada.