Converter VTT para SRT

O WebVTT existe para o navegador e é muito bom nisso, o que também é o limite dele. Players de mesa, televisões, caixas de mídia, a maioria do hardware que lê legenda de um pendrive, e boa parte dos formulários de upload esperam SubRip e tratam qualquer outra coisa como arquivo desconhecido. A demanda por esta conversão é quase inteiramente a mesma frase em palavras diferentes: o arquivo de legenda funciona na página web de onde veio e em lugar nenhum mais.

As origens comuns valem nomear, porque mudam o que vale conferir depois. Um VTT baixado de um player web tende a carregar ajustes de posição. Um exportado por um serviço de transcrição tende a carregar tags de voz nomeando cada falante. Um produzido por um editor de legendas normalmente é simples, e converte para um SRT limpo sem nada para arrumar.

Uma linha de tempo do WebVTT pode carregar ajustes depois do horário final: um número de linha empurrando a legenda para o topo do quadro, um alinhamento, uma largura. O conversor lê o timestamp final até o primeiro espaço e joga fora o resto, porque o SubRip não tem sintaxe nenhuma que guardaria isso.

Essa é a única perda real na conversão, e ela é invisível na saída. Se as suas legendas foram posicionadas de propósito — movidas para o topo pelos poucos segundos em que um crédito aparece na tela, ou estreitadas para não colidir com texto queimado na imagem — o SRT vai parecer correto e vai posicionar toda linha embaixo. Onde posicionamento importa, a resposta honesta é guardar o VTT como o mestre e tratar o SRT como uma cópia de entrega para players que não conseguem fazer melhor.

O texto das falas é copiado sem interpretação. Isso é o comportamento certo para itálico, que os dois formatos soletram de forma idêntica, e o comportamento que parece errado para uma tag de voz do WebVTT, que nomeia o falante entre colchetes angulares antes da linha. Não há construção equivalente no SubRip, então a tag não é traduzida, e também não é removida.

Um player vai mostrar ela. A legenda lê como o nome do falante entre colchetes angulares seguido do diálogo, o que não era a intenção de ninguém. Exportações de transcrição são a origem comum, e o conserto é uma busca e substituição sobre o SRT pronto — apague as tags ou transforme elas numa convenção de nome falado com dois pontos, que é como o SubRip sempre tratou vários falantes.

Qual dos dois escolher depende de quem está assistindo. Apagar as tags é certo para uma faixa de diálogo traduzido, onde o falante é visível na tela e nomear ele desperdiça uma linha de espaço de leitura. Convertê-las em nomes é certo para qualquer coisa legendada para espectadores que não conseguem ouvir, e para entrevistas e painéis onde duas vozes alternam fora de quadro e o público genuinamente não consegue distinguir. A tag estava carregando informação real no segundo caso, e removê-la silenciosamente é uma pequena regressão de acessibilidade que ninguém vai relatar.

Um arquivo WebVTT pode conter blocos de comentário introduzidos por NOTE e um bloco STYLE carregando CSS para o pseudoelemento da fala. Nenhum dos dois contém uma seta de timestamp, e o analisador identifica uma fala procurando por essa seta em vez de contar linhas, então os dois são pulados em vez de confundidos com texto.

O valor prático disso é espaço negativo: o SRT contém só falas de verdade, e nada da camada de autoria do VTT vaza para dentro dele. O custo correspondente é que qualquer estilo definido nesse bloco desaparece, o que importa se ele estava fazendo algo estrutural, como tornar legível uma cor difícil de ler. O SubRip deixa toda decisão visual para o player, de propósito.

As falas do WebVTT normalmente não são numeradas, e onde uma linha aparece acima do timestamp, é um identificador, não um contador — um nome que uma folha de estilo ou um script pode referenciar. O SubRip espera um número sequencial, então o conversor grava um, começando em um e subindo independentemente do que a origem continha.

Isso tem um efeito colateral agradável em arquivos editados à mão. Um VTT cujos identificadores são inconsistentes, duplicados ou faltando produz um SRT numerado de forma limpa do início ao fim. Também significa que qualquer identificador que você dependia sumiu; se um script se baseava em nomes de fala, ele precisa de outra âncora depois desta conversão.

Todo tempo é guardado internamente em milissegundos e regravado como horas, minutos, segundos e milissegundos, com as horas preenchidas com zero e uma vírgula antes da fração. Nenhum arredondamento acontece em nenhuma direção, então uma fala que começava em 00:04:12.500 no VTT começa em 00:04:12,500 no SRT, ao milissegundo.

Vale ser preciso sobre isso porque a vírgula é o motivo clássico de um arquivo de legenda ser rejeitado depois de alguém editar ele. Os dois formatos medem a mesma coisa na mesma resolução; discordam só em como pontuar uma casa decimal. Qualquer coisa que alegue que uma conversão entre os dois desloca a sincronização está descrevendo outro bug.

Boa parte dos arquivos WebVTT em circulação foi produzida por transcrição automática, e a conversão não melhora eles. Transcrição automática é boa o bastante para dar uma olhada rápida e não boa o bastante para publicar, e as palavras que ela erra são desproporcionalmente os nomes próprios e o vocabulário técnico que carregam o sentido da frase.

Dois defeitos mecânicos também merecem uma passada. Transcrições automáticas costumam quebrar linha no ponto em que o reconhecedor esvaziou o buffer, em vez de numa fronteira de oração, e costumam deixar falas muito mais longas ou curtas do que um leitor consegue acompanhar. Consertar isso no SRT é fácil — é texto com estrutura óbvia — e é a diferença entre uma legenda que alguém consegue ler e uma que alguém desiste de acompanhar.

A maioria dos players carrega um arquivo de legenda automaticamente quando ele fica ao lado do vídeo com o mesmo nome base: filme.mp4 e filme.srt na mesma pasta. Um único caractere de diferença e nada aparece, o que explica boa parte dos relatos de que uma conversão falhou quando ela não falhou.

Um sufixo de idioma antes da extensão, como filme.pt.srt, é a convenção quando vários idiomas estão presentes, e os players comuns entendem isso. Além disso, televisões e caixas de mídia são mais exigentes que software de mesa: muitas leem legenda só da mesma partição do vídeo, e boa parte não lê nada além de SubRip, que é o motivo desta conversão existir.

O conversor se recusa em vez de devolver um SRT vazio. Se ler um arquivo não produzir nada, isso é tratado como erro e declarado como tal, porque um arquivo de legenda com zero falas baixa perfeitamente, carrega perfeitamente e não mostra nada, e um espectador razoavelmente concluiria que o vídeo simplesmente não tem legenda, em vez de que uma conversão falhou em silêncio.

Duas causas respondem pela maioria dos casos. A primeira é um arquivo que não é WebVTT de todo — um arquivo de legenda renomeado por alguém adiante, ou uma página de erro HTML salva com extensão .vtt, que é o que um download falho de uma URL de streaming costuma produzir. A segunda são terminações de linha: falas são separadas por linhas em branco, e o analisador reconhece as convenções Unix e Windows. Um arquivo salvo com as antigas terminações do Mac clássico, só com retorno de carro, tem, para tudo isso, exatamente uma linha muito longa e nenhuma linha em branco. Salvar de novo num editor moderno conserta em uma etapa.

Para a esmagadora maioria dos arquivos, é exato. Texto e tempos são o conteúdo inteiro de uma faixa WebVTT simples, e os dois sobrevivem até o milissegundo e o caractere. É por isso que a conversão é instantânea e por isso que ninguém precisa conferir o resultado dela.

As exceções são as três nomeadas acima, e vale repetir elas juntas porque um conversor que ficasse calado sobre isso seria mais confortável e menos útil: posicionamento é descartado, tags de voz viram texto visível, e identificadores de fala são substituídos por números. Se um arquivo não usa nenhuma das três — e a maioria não usa — o SRT é a mesma legenda em pontuação diferente.