字幕转文字稿：去掉时间轴只是容易的那一半
所有字幕格式编码的都是同一件事：钉在时间轴上的短句语音。把它变回可读的文章，看上去像个五行脚本——删数字、删箭头、把剩下的接起来。拿这个脚本去跑一个真实的字幕文件，你会得到一份「差不多对」的东西，而这比明显错更麻烦，因为你得读一遍才发现。
有两件事会让它翻车。字幕的断行是为了塞进屏幕，不是为了句子结束，所以天真地拼接会得到每六七个字就被砍一刀的文本。而自动生成的字幕是滚动的，同一段话跨多条字幕重复出现，拼起来每句话会出现两三遍。这个工具两件事都处理。在上面上传或粘贴一个文件，结果立刻出现，就在这个浏览器标签页里。
滚动重复：真正的坑
这是最容易让人栽跟头的一条。YouTube 以及大多数直播系统的自动字幕并不输出一块块彼此独立的文本，它输出的是一个滑动窗口，好让观众看着字一个个累加上去。落到文件里就是这个样子：
- 字幕 1：千里之行
- 字幕 2：千里之行始于
- 字幕 3：始于足下
不加思考地拼起来，你得到的是「千里之行千里之行始于始于足下」——十四个字，而实际只说了八个。放到一场一小时的演讲上，长度大约翻三倍，这份文字稿也就没法读、没法搜、没法拿去总结了。
解决办法是只保留每条字幕新增的部分。对每条新字幕，工具会找出「既是已有文本的后缀、又是新字幕前缀」的最长一段，然后把它丢掉。用在上面的例子上，你会恰好一次地还原出「千里之行始于足下」。比较只针对最近若干字的有限窗口，而不是整份文字稿，这样在三小时的文件上依然很快，也不会把二十分钟后合理重复的一句话误删。
把句子重新接起来
一行字幕是按屏幕尺寸裁的：大约四十个字符、一次两行，断在文字正好碰到边缘的地方。一个句子横跨三四条字幕是常事。保持一条字幕一行，你得到的是一份技术上确实是文字稿、实际上没法读的文档。
段落模式会累积字幕，并在两个条件同时成立时断开：已经攒够了一段的量，且当前这条字幕以句末标点结束。这样断点永远不会落在半个意思上。同时有一个硬上限强制断开，因为有些人可以很久不说一个句号，而一整块不分段的文字本身也是另一种没法读。说话人一换就一定另起一段，这对访谈和圆桌很重要。
四种格式，同一个想法
格式是从文件内容本身判断的，不看扩展名，因为字幕文件被改名是家常便饭，一个装着 SubRip 数据的 .txt 很常见。
- SubRip（.srt）——一个序号、一段用逗号作小数点的时间轴，然后是文本。产出最多、也最简单的格式。
- WebVTT（.vtt）——浏览器标准。小数点用点不用逗号，另外允许
NOTE、STYLE和REGION块，这些不是台词，解析前就被移除。VTT 还允许行内标记：<v Speaker>标明是谁在说，<c.classname>施加样式，字幕内部的裸时间戳驱动卡拉 OK 式的逐词高亮。这些全部会被解包，其中 voice 标记会变成说话人标签。 - YouTube（.sbv）——单独一行、用逗号分隔的一对时间码，然后是文本。没有序号，没有标记。
- Advanced SubStation（.ass 和 .ssa）——一份声明了列顺序的事件表。解析器读那行
Format:，而不是假定字段位置，因为 Text 字段被放在最后，正是为了让它可以包含逗号。花括号里的覆盖块是样式指令，会被移除；\N换行变成空格。Name 列有内容时就是说话人。
说话人、音效，以及该留下什么
说话人信息按格式不同有三种来路：ASS 里的专用字段、VTT 里的 voice 标记，或者 SRT 里那个纯靠约定的写法——行首写 姓名：，因为 SRT 根本没有说话人字段。三种都会被识别并归一成同样的输出。第三种的启发式规则刻意收得很窄——必须是行首一小段像名字的短词再跟一个冒号——否则任何含冒号的普通句子都会被误判，把整份文字稿撕碎。
[MUSIC]、(laughter)、[APPLAUSE] 这类方括号音效提示默认保留，可以用开关去掉。哪种对，完全取决于你要干什么：做可检索的档案或无障碍记录，它们就是内容的一部分；把一场演讲喂给模型做总结，它们就是噪声。
三种输出形态
预设覆盖了人们真正想要的东西。干净文字稿是不带时间码的连贯段落，适合阅读、引用，或交给模型。带时间戳保留段落，但给每段标上起始时间，当文字稿的作用是帮你跳回视频里的某个瞬间时，你要的就是它。字幕行保持一条字幕一行、带时间码、不去重——最接近原始文件的形态，适合你在检查字幕本身而不是通读内容的时候。
输出旁边，工具会报告识别到的格式、字幕条数、字数、覆盖时长，以及删掉了多少重复。最后那个数字是最诚实的一个：它大，就说明源文件是自动生成的滚动字幕，你也能确切看到原始文件里有多少是重复。
什么都不会离开浏览器
字幕文件并不总是公开的。访谈录音、内部全员会、法庭庭审、问诊记录、未发布的素材，都会产生字幕。解析由这个标签页里的 JavaScript 完成，文件在本地读取，从不上传。这也是为什么转换是瞬时的，以及为什么改一个选项会立刻重新渲染，而不是再跑一趟往返。