Slik henter du ren tekst ut av en SRT-fil
Noen ganger er undertekstene det eneste skriftlige som finnes av det som ble sagt, og det du egentlig vil ha er transkripsjonen, ikke selve filen. Å fjerne tidskodene høres ut som en jobb på to minutter i et tekstredigeringsprogram, og det er det - helt til detaljene dukker opp.
Hva som må vekk
En SRT-blokk inneholder fire ting, hvorav tre er ting du ikke vil ha: blokknummeret, tidslinjen, teksten og den tomme linjen som avslutter blokken. En ordentlig uttrekking fjerner den første, andre og fjerde, og beholder den tredje. Det er den enkle delen. Det som skaper trøbbel for søk-og-erstatt er formateringskodene spredt gjennom teksten - <i> og </i> rundt betont tale, av og til <font> eller posisjoneringskoder i klammer - og talernavn, som ser ut som tekst fordi de er tekst. WebVTT legger til sine egne: en WEBVTT-header, NOTE-blokker som er kommentarer snarere enn undertekster, og cue-innstillinger hengende etter tidslinjen.
Hva du bør gjøre med linjeskift
Her er avgjørelsen som faktisk betyr noe, og det er derfor resultatet av en naiv fjerning blir så dårlig å lese. En undertekst er delt opp i linjer for lesehastighet, ikke for mening. En setning strekker seg jevnlig over to linjer i én undertekst og fortsetter så videre i neste undertekst. Beholder du disse linjeskiftene, får du en kolonne med fragmenter. Fjerner du dem alle, får du én sammenhengende tekstvegg. Mellomveien er å slå sammen linjene innenfor hver undertekst til én linje, og beholde én linje per undertekst. Da får du lesbare enheter som samsvarer med hvordan det faktisk ble sagt, og du kan selv slå dem sammen til avsnitt hvis du vil ha løpende tekst.
Slik gjør du det
Lim inn undertekstfilen i boksen på forsiden, kryss av for å fjerne formateringskoder, kryss av for talernavn hvis filen har det, og velg .txt som format. Det du får tilbake er ordene, én undertekst per linje, uten tall og tidskoder. Siden alt skjer i nettleseren, blir filen aldri lastet opp noe sted - noe som betyr mer her enn ved en ren formatkonvertering. En undertekstfil er ofte transkripsjonen av et intervju, en forelesning eller et møte som ennå ikke er publisert.
Hva du ikke kan få tilbake
Uttrekket gir deg ord, ikke en ferdig transkripsjon. Hvem som snakker, er borte med mindre filen merket det. Avsnittsinndelingen er borte, fordi en undertekstfil ikke har noen. Og tegnsettingen er tekstingens tegnsetting, som er lettere enn brødtekstens — teksterne dropper komma som en skriftlig transkripsjon ville beholdt, fordi seeren hører pausen. Hvis sluttproduktet er et dokument noen skal lese, må du regne med å bruke tid på det etter uttrekket. Det du har spart, er retypingen, som er den delen som aldri var verdt å gjøre for hånd.
Ofte stilte spørsmål
Kan jeg gjøre dette med søk-og-erstatt i et tekstredigeringsprogram?
For en ren fil, mer eller mindre — et regulært uttrykk kan fjerne tallene og tidslinjene. Det vil ikke håndtere stylingtaggene, talelabelene eller avgjørelsen om linjeskift, som er delene som gjør resultatet lesbart.
Beholder teksten avsnittene sine?
Det finnes ingen å beholde. En undertekstfil har undertekster, ikke avsnitt. Det nærmeste nyttige tilsvaret er én linje per undertekst, som er det du får.
Fungerer dette på en VTT-fil også?
Ja. Headeren, NOTE-blokkene og cue-innstillingene blir alle gjenkjent og fjernet, og teksten kommer ut på samme måte.
Blir undertekstfilen lastet opp noe sted?
Nei. Hele uttrekket kjører i nettleseren din, på siden. Ingenting sendes til en server, og ingenting lagres.
Flere guider
Andre ting vi har laget
Også på engelsk, laget av oss.
Også på engelsk, laget av oss.
Også på engelsk, laget av oss.
Også på engelsk, laget av oss.