Penukar sari kata kepada teks — SRT, VTT, SBV, ASS

Sari kata kepada transkrip: membuang kod masa itu bahagian mudahnya

Setiap format sari kata mengekod perkara yang sama: cebisan pendek pertuturan yang dipaku pada kod masa. Menukarnya semula kepada prosa yang boleh dibaca nampak seperti kerja skrip lima baris — buang nombor, buang anak panah, cantumkan yang tinggal. Jalankan skrip itu pada fail sari kata sebenar dan anda dapat sesuatu yang hampir betul, dan itu lebih buruk daripada salah yang jelas kerana anda terpaksa membacanya dahulu untuk perasan.

Dua perkara merosakkannya. Sari kata dipecah supaya muat pada skrin, bukan untuk menamatkan ayat, jadi cantuman naif memberi anda prosa yang dicincang setiap enam perkataan. Dan sari kata janaan automatik menatal, mengulang teks merentas blok, jadi menggabungkannya menghasilkan setiap ayat dua atau tiga kali. Alat ini menangani kedua-duanya. Muat naik atau tampal fail di atas dan hasilnya muncul serta-merta, dalam tab pelayar ini.

Masalah pendua yang menatal

Inilah yang menjerat ramai orang. Sari kata automatik YouTube dan kebanyakan sistem langsung tidak mengeluarkan blok teks yang berasingan. Ia mengeluarkan tetingkap bergerak, supaya penonton nampak perkataan bertimbun. Dalam fail, rupanya begini:

• Blok 1: di mana ada kemahuan
• Blok 2: di mana ada kemahuan di situ
• Blok 3: kemahuan di situ ada jalan

Dicantum tanpa berfikir, anda dapat “di mana ada kemahuan di mana ada kemahuan di situ kemahuan di situ ada jalan” — lima belas perkataan untuk lapan yang diucapkan. Sepanjang ceramah sejam, itu kira-kira menggandakan tiga kali panjangnya dan menjadikan transkrip itu tidak berguna untuk dibaca, dicari atau diringkaskan.

Penyelesaiannya ialah mengekalkan hanya apa yang setiap blok tambah. Bagi setiap blok baharu, alat ini mencari larian perkataan terpanjang yang sekali gus akhiran bagi teks setakat itu dan awalan bagi blok baharu, lalu membuangnya. Dikenakan pada contoh di atas, anda mendapat semula “di mana ada kemahuan di situ ada jalan” tepat sekali sahaja. Perbandingan dijalankan terhadap tetingkap terbatas perkataan terkini dan bukan seluruh transkrip, supaya ia kekal pantas pada fail tiga jam dan tidak memadam frasa yang memang berulang secara sah dua puluh minit kemudian.

Mencantum semula ayat

Baris sari kata disaiz untuk skrin: lebih kurang empat puluh aksara, dua baris serentak, dipecah di mana sahaja teks itu sampai ke tepi. Ayat lazimnya merentang tiga atau empat blok. Mengekalkan satu baris bagi setiap blok menghasilkan dokumen yang secara teknikal ialah transkrip dan secara praktikal tidak boleh dibaca.

Mod perenggan mengumpul blok dan memecah apabila dua syarat bertemu: teks yang terkumpul sudah cukup untuk menjadi perenggan, dan blok semasa berakhir dengan tanda baca penamat ayat. Dengan itu pemecahan tidak pernah jatuh di tengah fikiran. Satu siling keras tetap memaksa pemecahan akhirnya, kerana ada penceramah yang boleh bercakap sangat lama tanpa noktah, dan dinding teks tanpa pemecahan juga satu jenis yang tidak boleh dibaca. Pertukaran penutur sentiasa memulakan perenggan baharu, dan itu penting untuk temu bual dan panel.

Empat format sari kata, satu cara menukar kepada teks

Format dikesan daripada kandungan fail itu sendiri dan bukan daripada sambungannya, kerana fail sari kata sentiasa dinamakan semula dan fail .txt yang menyimpan data SubRip itu perkara biasa.

• SubRip (.srt) — satu indeks nombor, satu julat kod masa dengan perpuluhan koma, kemudian teksnya. Format yang paling banyak dihasilkan dan yang paling ringkas.
• WebVTT (.vtt) — piawai pelayar. Perpuluhan noktah dan bukan koma, ditambah blok NOTE, STYLE dan REGION pilihan yang bukan pertuturan dan dibuang sebelum penghuraian. VTT juga membenarkan penanda sebaris: <v Speaker> menamakan siapa yang bercakap, <c.classname> mengenakan gaya, dan cap masa telanjang di dalam satu blok memacu penyerlahan perkataan gaya karaoke. Semuanya dibuka, dan tag suara menjadi label penutur.
• YouTube (.sbv) — sepasang kod masa dipisah koma pada barisnya sendiri, kemudian teksnya. Tiada indeks, tiada penanda.
• Advanced SubStation (.ass dan .ssa) — senarai peristiwa dengan susunan lajur yang diisytiharkan. Penghurai membaca baris Format: itu dan bukan mengandaikan kedudukan, kerana medan Text diletakkan terakhir justeru supaya ia boleh mengandungi koma. Blok tindih dalam kurungan kerinting ialah arahan gaya dan dibuang; pemecah baris \N menjadi ruang. Lajur Name, apabila diisi, ialah penuturnya.

Penutur, kesan bunyi, dan apa yang patut disimpan

Pengecaman penutur datang dalam tiga cara bergantung pada format: medan khusus dalam ASS, tag suara dalam VTT, atau konvensyen telanjang NAMA: pada permulaan baris dalam SRT, yang langsung tiada medan penutur. Ketiga-tiganya dikenali dan dinormalkan kepada output yang sama. Heuristik bagi yang ketiga sengaja dibuat sempit — larian huruf besar diikuti titik bertindih — kerana awalan huruf kecil akan memadan ayat biasa yang mengandungi titik bertindih dan mencarik transkrip itu.

Isyarat bunyi dalam kurungan seperti [MUSIC], (laughter) dan [APPLAUSE] dikekalkan secara lalai dan boleh dibuang dengan satu suis. Mana yang betul bergantung sepenuhnya pada kerjanya: untuk arkib yang boleh dicari atau rekod kebolehcapaian ia sebahagian daripada kandungan; untuk menyuap ceramah kepada model supaya diringkaskan, ia hanya hingar.

Tiga bentuk output

Pratetapnya meliputi apa yang orang benar-benar mahukan. Transkrip bersih ialah perenggan yang mengalir tanpa kod masa, untuk dibaca, dipetik, atau diserahkan kepada model. Bercap masa mengekalkan perenggan tetapi menandakan setiap satu dengan masa mulanya, dan itulah yang anda mahukan apabila transkrip berfungsi sebagai cara kembali ke satu detik dalam video. Baris sari kata mengekalkan satu baris bagi setiap blok dengan kod masanya dan tanpa penyahduaan — paling hampir dengan fail asal, berguna apabila anda menyemak sari kata itu sendiri dan bukan membacanya dari hujung ke hujung.

Bersama output, alat ini melaporkan format yang dikesan, kiraan blok, kiraan perkataan, tempoh yang diliputi, dan berapa banyak pengulangan yang dibuang. Angka terakhir itulah yang paling jujur: kalau ia besar, sumbernya sari kata automatik yang menatal, dan anda nampak dengan tepat berapa banyak fail mentah itu sebenarnya pengulangan.

Tiada apa meninggalkan pelayar

Fail sari kata tidak selalunya awam. Rakaman temu bual, mesyuarat dalaman, prosiding mahkamah, sesi perubatan dan rakaman yang belum dikeluarkan semuanya menghasilkannya. Penghuraian berjalan dalam JavaScript di tab ini, jadi fail dibaca secara setempat dan tidak pernah dimuat naik. Itu juga sebabnya penukaran berlaku serta-merta dan sebabnya menukar satu pilihan merender semula dengan segera dan bukan membuat satu lagi perjalanan ke pelayan.