Zeilenumbrüche entfernen: Transkript bereinigen

Was der Cleaner entfernt

Ein aus einem Videoplayer kopiertes Transkript ist zum Mitlesen gebaut, nicht zum Lesen: alle paar Sekunden ein Zeitstempel, ein Zeilenumbruch, wo die Einblendung endete, [Music] mitten im Satz. Der Cleaner entfernt dieses Gerüst und gibt dir Absätze. Jede Option lässt sich abschalten, und das Ergebnis aktualisiert sich beim Tippen.

Welche Formate er versteht

• Unser YouTube-Transkript – die Kopie mit [mm:ss] Speaker A: vor jedem Abschnitt. Abschnitte desselben Sprechers werden verbunden, und die Sprecherkennung steht einmal pro Absatz.
• Das Transkript-Panel von YouTube selbst – die Zeit in einer Zeile, die Wörter in der nächsten. Zeitzeilen entfallen, auch die gesprochene Form, die manche Kopien tragen („1 minute, 5 seconds“).
• Untertitel-Dateien in SRT, WebVTT und SBV – Cue-Nummern, Timing-Zeilen, VTT-Header, Notizen und Inline-Tags entfallen; ein VTT-Voice-Tag wird zur Sprecherkennung; die wiederholte Zeile am Anfang jedes Cues automatischer Untertitel wird entfernt.
• Meeting-Notizen mit Name und Zeit in einer eigenen Zeile („Speaker 1 0:03“) werden zu „Speaker 1:“.

Nur Zeitstempel, die wie Zeitstempel aussehen, werden entfernt: am Zeilenanfang, in einer eigenen Zeile oder in Klammern. „Wir treffen uns um 10:30“ mitten im Satz bleibt, wie es ist.

Wie Absätze neu aufgebaut werden

Stammt der Text aus einem Player, wird jeder Zeilenumbruch als Ende einer Einblendung behandelt, nicht als Absatz, sodass die Zeilen zuerst verbunden werden. Ein Wort, das mit Bindestrich auf zwei Zeilen getrennt war, wird wieder zusammengesetzt. Dann beginnt alle 3, 4, 5, 6 oder 8 Sätze ein neuer Absatz (standardmäßig 4), und immer, wenn der Sprecher wechselt. Text, den du selbst getippt hast, behält seine Absätze mit Leerzeile.

Automatisch erzeugte Untertitel haben meist gar keine Punkte, es gibt also keine Sätze zu zählen. Liegt ein Text im Schnitt über 60 Wörtern pro Satz, schneidet der Cleaner die Absätze stattdessen nach Länge – etwa 20 Wörter für jeden gewünschten Satz – und sagt es dir.

„Abstände und Großschreibung korrigieren“ entfernt doppelte Leerzeichen und Leerzeichen vor Kommas und Punkten, setzt ein fehlendes Leerzeichen nach einem Komma und schreibt den ersten Buchstaben jedes Satzes groß. Abkürzungen wie „Dr.“ und Initialen wie „U.S.A.“ beenden keinen Satz, und Wörter wie „iPhone“ behalten ihren ersten Buchstaben.

Füllwörter, mit Bedacht

Die Standardlisten enthalten nur Zögerlaute – „um“, „uh“, „erm“ im Englischen, „э“, „эм“ im Russischen, „äh“, „ähm“ im Deutschen – für zehn Sprachen: Englisch, Russisch, Ukrainisch, Spanisch, Portugiesisch, Französisch, Deutsch, Italienisch, Polnisch und Niederländisch. Die Sprache der Seite wählt die Liste. Wörter wie „like“, „you know“ oder „o sea“ fehlen absichtlich: Sie sind auch gewöhnliche Wörter, und sie blind zu entfernen verändert die Bedeutung. Füge sie selbst zur Liste hinzu, wenn du sie weghaben willst; auch Wendungen aus mehreren Wörtern funktionieren, und deine Liste wird in diesem Browser gemerkt.

Ehrliche Grenzen

Der Cleaner räumt Text auf, er versteht ihn nicht. Er kann keine Satzzeichen ergänzen, die die Quelle nie hatte, und keine falsch verstandenen Wörter korrigieren, und eine Zeile, die mit einem großgeschriebenen Wort und einem Doppelpunkt beginnt („Note: …“), kann für eine Sprecherkennung gehalten werden – diese Option ist standardmäßig aus. Lies das Ergebnis, bevor du es veröffentlichst. Alles läuft in deinem Browser; der Text wird weder hochgeladen noch gespeichert.