Converter VTT para ASS

Porque o destino parou de ser uma página web. Um corte vertical para redes sociais, um promocional que precisa ler mudo, uma versão traduzida onde texto na tela precisa ser substituído no lugar — nada disso é bem servido por um elemento track e uma folha de estilo. Precisam de legenda que faça parte da imagem, e isso significa um formato onde aparência é gravada no arquivo.

O WebVTT é um bom formato de entrega e ruim para autoria nesse tipo de trabalho. Tem um vocabulário de estilo pequeno, navegadores implementam as partes mais fracas dele de forma inconsistente, e nada disso sobrevive ao momento em que o vídeo sai do navegador. O ASS foi construído por gente cuja preocupação inteira era como a legenda parece, e esta conversão é a porta para isso.

Atravessa: o texto de cada legenda, suas quebras de linha, e seu início e fim. É a substância da faixa, e chega completa, com cada legenda virando uma linha de diálogo sob um estilo.

Para: ajustes de posição de cue, tags de voz interpretadas como falantes, blocos STYLE, comentários NOTE e identificadores de cue. Quatro desses cinco são construções que um autor de WebVTT precisou digitar de propósito, motivo de esta página nomeá-las em vez de descrever a conversão como sem perda. Se seu VTT foi escrito por um serviço de transcrição e nunca tocado, nenhuma delas se aplica.

Uma linha de tempo WebVTT pode carregar um número de linha, alinhamento, posição e tamanho depois do timestamp de fim. O leitor lê o tempo de fim até o primeiro espaço e joga fora tudo depois, então uma legenda que você deliberadamente empurrou para o topo do quadro sai no alinhamento 2 junto com todas as outras.

A parte frustrante é que o ASS é dramaticamente melhor nisso do que o WebVTT jamais foi — uma grade numérica para as nove posições padrão, e uma tag de sobreposição que consegue colocar uma linha numa coordenada exata, mover ao longo do tempo, ou rotacionar. A informação simplesmente não sobrevive a uma representação intermediária que guarda um início, um fim e algum texto. Anote quais legendas foram posicionadas antes de converter, porque depois nada no arquivo lembra.

O WebVTT marca um falante com uma tag de voz entre colchetes angulares no início da legenda. O ASS atribui uma linha a um estilo nomeado, e opcionalmente a um campo de nome na linha de diálogo, um mecanismo completamente diferente. Nada mapeia um no outro, e o texto da legenda é copiado literalmente, então a tag chega como caracteres que um renderizador vai desenhar na tela.

A resposta certa é transformar num estilo, que é o que você veio buscar aqui. Defina um estilo por falante com a própria cor, depois atribua linhas a eles e apague as tags. Isso dá o que a tag de voz estava tentando indicar e o que um navegador majoritariamente se recusava a renderizar.

O estilo gerado é Arial tamanho 48, branco, com contorno preto de dois pixels, sem sombra, alinhamento 2, e margens de 10 na esquerda, direita e rodapé. O cabeçalho do script ajusta ScriptType v4.00+, WrapStyle 0 e ScaledBorderAndShadow yes.

Para trabalho de redes sociais, os dois primeiros campos a mexer são a fonte e o contorno. Arial é escolhida porque existe em todo lugar, não porque parece qualquer coisa, e um contorno de dois pixels legível sobre uma cena escura desaparece sobre uma clara — uma caixa de fundo ou um contorno mais grosso é o que torna a legenda legível num celular à luz do dia.

No WebVTT a aparência majoritariamente vive fora do arquivo: CSS na página mira o pseudo-elemento de cue, e um bloco STYLE dentro do arquivo é uma versão limitada embutida da mesma coisa. O arquivo descreve conteúdo e a página descreve apresentação, uma separação sensata para um formato de documento.

O ASS inverte isso. Estilos são nomeados, definidos no arquivo, referenciados por linha, e sobrepostos em linha para uma palavra só. O arquivo é a apresentação, motivo de renderizar de forma idêntica em todo player que implementa o formato e de poder ser gravado numa imagem com confiança. Nenhum dos dois modelos pode ser mecanicamente traduzido no outro.

O WebVTT escreve três dígitos depois do ponto decimal e o ASS escreve dois, então todo timestamp é truncado no caminho. Uma legenda começando em 00:00:01.238 vira 0:00:01.23. O erro é de no máximo nove milissegundos e sempre para trás, nunca para frente.

Isso é um quinto de quadro a 24 quadros por segundo e nunca vai ser percebido. A única exceção é cronometragem de karaokê, onde sílabas são ajustadas contra o áudio. Karaokê é autorado em ASS em vez de convertido para ele, então na prática isso é uma nota de rodapé, não uma restrição.

A maioria dos lugares para onde o vídeo terminado vai não consegue renderizar uma faixa ASS: plataformas sociais, galerias de celular, TVs lendo de um compartilhamento de rede, e todo player web. Se o estilo é o ponto, o estilo precisa virar pixel, o que significa renderizar a legenda no quadro e recodificar o vídeo.

Decida antes de tipografar, não depois, porque os dois caminhos recompensam escolhas diferentes. Uma faixa destinada a ser gravada pode usar qualquer fonte da sua máquina e posicionar texto em qualquer lugar. Uma faixa destinada a ficar "solta" precisa sobreviver à substituição de fonte e a um player que talvez ignore metade do que você escreveu.

Uma linha de diálogo ASS tem dez campos antes do texto: uma camada, os dois tempos, um nome de estilo, um nome de personagem, três sobreposições de margem e um efeito. A conversão preenche três — os tempos e o estilo, sempre Default — escreve a camada como zero, e deixa o resto vazio.

Esses espaços em branco são onde a tipografia começa. A camada decide o que desenha por cima do quê quando duas linhas dividem a tela. As sobreposições de margem movem uma única linha sem tocar no estilo, o jeito leve de erguer uma legenda acima de outra gravada na imagem.

Esses dois arquivos respondem perguntas diferentes, e é razoável manter os dois, desde que um deles seja gerado. O VTT pertence à página web, onde é acessível, selecionável, buscável e desligável. O ASS pertence à versão do vídeo onde aparência é a mensagem.

Qual dos dois é o mestre depende de onde as correções acontecem. Se as palavras mudam com mais frequência, o VTT é o mestre e o ASS é regenerado e retipografado. Se o design muda com mais frequência, mantenha o ASS e exporte uma faixa simples para a web. O que não funciona é editar os dois, porque nenhum dos dois arquivos registra qual está correto agora.