Convertir VTT en ASS

Parce que la destination a cessé d’être une page web. Une coupe verticale pour les réseaux sociaux, un promo qui doit se lire sur un flux en sourdine, une version traduite où le texte à l’écran doit être remplacé en place — aucun de ces cas n’est servi par un élément track et une feuille de style. Ils ont besoin de sous-titres qui font partie de l’image, et cela signifie un format où l’apparence est écrite dans le fichier.

WebVTT est un bon format de livraison et un mauvais format d’auteur pour ce genre de travail. Il a un petit vocabulaire de style, les navigateurs en implémentent les parties faibles de manière inconsistante, et rien de tout cela ne survit au moment où la vidéo quitte le navigateur. ASS a été construit par des gens dont l’unique préoccupation était l’apparence des sous-titres, et cette conversion est la porte d’entrée vers cela.

Ce qui passe : le texte de chaque réplique, ses sauts de ligne, et ses heures de début et de fin. C’est la substance de la piste et elle arrive complète, chaque réplique devenue une ligne de dialogue sous un seul style.

Ce qui s’arrête : les réglages de réplique, les balises voice interprétées comme locuteurs, les blocs STYLE, les commentaires NOTE et les identifiants de réplique. Quatre de ces cinq sont des constructions qu’un auteur WebVTT a dû taper délibérément, ce qui explique pourquoi cette page les nomme plutôt que de décrire la conversion comme sans perte. Si votre VTT a été écrit par un service de transcription et jamais retouché, aucun de ces cas ne s’applique et rien n’est perdu.

Une ligne de minutage WebVTT peut porter un numéro de ligne, un alignement, une position et une taille après l’horodatage de fin. L’analyseur lit l’heure de fin jusqu’au premier espace et jette tout ce qui suit, donc une légende que vous avez délibérément poussée en haut du cadre sort à l’alignement 2 avec toutes les autres.

Le frustrant est qu’ASS est dramatiquement meilleur à cela que WebVTT ne l’a jamais été — une grille numérique pour les neuf positions standard, et une balise de surcharge qui peut placer une ligne à une coordonnée exacte, la déplacer dans le temps, ou la faire pivoter. L’information ne survit pas du tout à une représentation intermédiaire qui contient un début, une fin et du texte. Notez quelles répliques étaient positionnées avant de convertir, parce qu’après, rien dans le fichier ne s’en souvient.

WebVTT marque un locuteur avec une balise voice entre chevrons au début de la réplique. ASS attribue une ligne à un style nommé, et optionnellement à un champ name dans la ligne de dialogue, ce qui est un mécanisme entièrement différent. Rien ne mappe l’un à l’autre, et le texte de la réplique est copié tel quel, donc la balise arrive comme des caractères qu’un moteur de rendu dessinera à l’écran.

La bonne réponse est d’en faire un style, ce qui est la raison pour laquelle vous êtes ici. Définissez un style par locuteur avec sa propre couleur, puis attribuez-leur les répliques et supprimez les balises. Cela vous donne ce que la balise voice suggérait et ce qu’un navigateur refusait en grande partie de rendre — deux locuteurs distinguables d’un coup d’œil, sans écrire leurs noms dans le texte de la légende.

Le style généré est Arial en taille 48, blanc, avec un contour noir de deux pixels, pas d’ombre, alignement 2, et des marges de 10 à gauche, à droite et en bas. L’en-tête du script définit ScriptType v4.00+, WrapStyle 0 et ScaledBorderAndShadow yes.

Pour le travail sur les réseaux sociaux, les deux premiers champs à toucher sont la police et le contour. Arial est choisi parce qu’il existe partout plutôt que parce qu’il ressemble à quoi que ce soit, et un contour de deux pixels qui est lisible sur une scène sombre disparaît sur une scène claire — un fond ou un contour plus épais est ce qui rend les légendes lisibles sur un téléphone en plein jour. ScaledBorderAndShadow étant activé signifie que les deux s’échelonnent avec la résolution plutôt que de rester fixes à celle du script.

Dans WebVTT, l’apparence vit en grande partie hors du fichier : le CSS de la page cible le pseudo-élément cue, et un bloc STYLE à l’intérieur du fichier est une version en bande limitée de la même chose. Le fichier décrit le contenu et la page décrit la présentation, ce qui est une saine séparation pour un format de document.

ASS inverse cela. Les styles sont nommés, définis dans le fichier, référencés par ligne, et surchargeables en ligne pour un seul mot. Le fichier est la présentation, ce qui explique pourquoi il s’affiche de manière identique dans tout lecteur qui implémente le format et pourquoi il peut être incrusté dans une image en toute confiance. Aucun modèle ne peut être traduit mécaniquement dans l’autre, ce qui est la raison honnête pour laquelle rien ne passe.

WebVTT écrit trois chiffres après la virgule et ASS en écrit deux, donc chaque horodatage est tronqué à l’entrée. Une réplique commençant à 00:00:01.238 devient 0:00:01.23. L’erreur est au plus neuf millisecondes et toujours en avance, jamais en retard.

Cela représente un cinquième d’image à 24 images par seconde et ne se verra jamais. La seule exception est le minutage de karaoké, où les syllabes sont calées sur l’audio et où la différence entre deux syllabes adjacentes peut compter. Le karaoké s’autorise en ASS plutôt qu’on n’y convertisse, donc en pratique c’est une note de bas de page plutôt qu’une contrainte.

La plupart des endroits où ira la vidéo terminée ne peuvent pas rendre une piste ASS : les plateformes sociales, les galeries de téléphone, les télévisions lisant depuis un partage réseau, et tout lecteur web. Si le style est le sujet, le style doit devenir des pixels, ce qui signifie rendre les sous-titres dans le cadre et réencoder la vidéo.

Décidez avant de composer plutôt qu’après, parce que les deux voies récompensent des choix différents. Une piste destinée à être incrustée peut utiliser n’importe quelle police de votre machine et placer le texte n’importe où, puisque la machine du spectateur n’est jamais impliquée. Une piste destinée à rester douce doit survivre à la substitution de police et à un lecteur qui peut ignorer la moitié de ce que vous avez écrit, et le design doit être suffisamment conservateur pour se dégrader silencieusement.

Une ligne de dialogue ASS a dix champs avant le texte : un calque, les deux heures, un nom de style, un nom de personnage, trois surcharges de marges et un effet. La conversion en remplit trois — les heures et le style, qui est toujours Default — écrit le calque à zéro, et laisse le reste vide.

Ces blancs sont l’endroit où la composition commence. Le calque décide ce qui se dessine par-dessus quoi quand deux lignes partagent l’écran, ce qui compte au moment où un panneau est placé par-dessus le dialogue. Les surcharges de marges déplacent une seule ligne sans toucher au style, ce qui est la manière légère de soulever une légende au-dessus d’un sous-titre incrusté dans l’image. Et le nom de personnage est un champ de texte libre qu’Aegisub affiche en colonne, ce qui en fait l’endroit naturel pour enregistrer qui parle pendant que vous déterminez quelles lignes appartiennent à quel style.

Ces deux fichiers répondent à des questions différentes et il est raisonnable de garder les deux, tant que l’un d’eux est généré. Le VTT appartient à la page web, où il est accessible, sélectionnable, recherchable et désactivable. L’ASS appartient à la version de la vidéo où l’apparence est le message.

Lequel est le maître dépend de l’endroit où les corrections ont lieu. Si les mots changent le plus souvent — un nom mal orthographié, une légende retimée — le VTT est le maître et l’ASS est régénéré et recomposé, ce qui est du vrai travail. Si le design change le plus souvent, gardez l’ASS et exportez une piste sobre pour le web. Ce qui ne marche pas, c’est éditer les deux, parce que rien dans aucun des deux fichiers n’enregistre lequel est désormais correct.