Converter ASS para VTT

Nada, se você entregar o ASS puro. O elemento track só aceita WebVTT, e a recusa é silenciosa: o vídeo toca, o menu de legenda fica vazio, sem mensagem no console. É exatamente por isso que essa conversão existe.

A diferença com um ASS é o que está em jogo. Um SubRip não tinha nada a perder; uma faixa estilizada tem fontes, cores e posições, e o navegador não tem como renderizar nada disso nativamente. Converter aqui é uma decisão sobre quanto do design você vai reconstruir na mão.

WebVTT não é cego para estilo: uma cue pode ter um ajuste de linha que move na vertical, um alinhamento que move na horizontal, posição e tamanho. Isso é genuinamente mais do que o SubRip oferece.

Nada disso é preenchido aqui. Cada linha do ASS é reduzida a início, fim e texto puro antes de qualquer coisa ser escrita, então todo o posicionamento se perde e o navegador coloca tudo embaixo, centralizado.

O trabalho é manual e vale fazer de forma seletiva. Abra o ASS ao lado do VTT e ache as linhas que tinham posição — cartazes, texto na tela, qualquer coisa que não era diálogo.

Para cada uma, um ajuste de linha em porcentagem move a cue para cima, e um alinhamento move para o lado. Não vai bater com a colocação exata de um tipógrafo sobre uma placa em movimento, mas transforma uma sobreposição ilegível numa legenda que dá pra ler.

Essa é a diferença estrutural entre os dois formatos. ASS define estilos nomeados dentro do arquivo e cada linha referencia um deles. WebVTT espera que a página estilize a cue com CSS e trata o arquivo como conteúdo puro.

Na prática isso inverte onde fica o trabalho: fonte, tamanho, cor e sombra são definidos uma vez na folha de estilo e valem para a faixa inteira, o que é menos expressivo que um ajuste por linha e bem mais fácil de manter consistente.

Tudo entre chaves é apagado antes do texto ser escrito, então uma mudança de cor, um fade ou uma rotação não deixa vestígio. É o comportamento certo — um navegador desenharia o texto da tag literalmente na tela se ele fosse mantido.

Isso também derruba o itálico, o que pega gente de surpresa. ASS marca itálico com uma tag de override e WebVTT com uma tag de ângulo, e nada faz a ponte entre as duas. Se a faixa usava itálico para monólogo interno, restaurar é passar o VTT com a tag de ângulo.

ASS coloca várias linhas na tela ao mesmo tempo por design, em camadas separadas: diálogo embaixo, uma placa traduzida sobre o que ela traduz. WebVTT não tem camadas, e as duas viram cues comuns ocupando os mesmos segundos.

Navegadores empilham tudo embaixo do vídeo, o que raramente é o pretendido — a placa que devia ficar no canto superior direito agora fica em cima do diálogo por dois segundos. Ou posicione com ajustes de cue, ou decida que a placa não é necessária na versão web.

Um arquivo WebVTT precisa começar com a palavra WEBVTT sozinha na primeira linha. Não é documentação — um arquivo sem isso é rejeitado antes de qualquer outra coisa ser examinada. A saída aqui escreve esse cabeçalho, seguido de linha em branco.

Os timestamps são a outra exigência. ASS grava centésimos de segundo; WebVTT é escrito com três dígitos de milissegundos após um ponto, então 0:00:01.23 vira 00:00:01.230 com as horas preenchidas. Nenhuma precisão é inventada.

O atributo kind no elemento track distingue os dois, e a distinção tem consequência além da marcação. Legenda comum assume um espectador que ouve e traduz o diálogo; legenda oculta assume um espectador que não ouve, e por isso inclui informação sonora.

Uma faixa ASS convertida é quase sempre legenda comum. Marcar como oculta para satisfazer uma checklist de acessibilidade coloca a palavra certa na marcação e não cumpre a obrigação — e para órgãos públicos e cada vez mais empresas brasileiras essa obrigação é legal.

ASS marca uma quebra forçada com barra invertida e N maiúsculo, porque a linha inteira tem que caber num campo separado por vírgula. Isso é traduzido, não descartado: vira uma quebra real no texto da cue.

Vale conferir para que serviam essas quebras. Um tipógrafo quebra linhas contra uma renderização específica num tamanho específico, e um navegador vai renderizar o mesmo texto em fonte diferente, num tamanho que o espectador pode ter mudado.

Se o estilo é essencial — placas que carregam parte da trama, karaokê, tipografia que é parte da obra — as opções honestas são renderizar as legendas na imagem e servir uma cópia queimada, ou rodar um renderizador JavaScript que desenha ASS sobre o vídeo.

Para a maior parte do vídeo na web, nenhuma das duas vale a pena. Cues simples que aparecem, são selecionáveis, podem ser desligadas e lidas por leitor de tela valem mais para mais espectadores do que um design que só alguns vão ver.