Regeleinden verwijderen: transcriptie opschonen

Wat de cleaner verwijdert

Een transcriptie die uit een videospeler is gekopieerd, is gemaakt om mee te volgen, niet om te lezen: om de paar seconden een tijdstempel, een regeleinde waar de ondertitel eindigde, [Music] midden in een zin. De cleaner haalt dat steigerwerk weg en geeft je alinea's. Elke optie kan uit en het resultaat wordt bijgewerkt terwijl je typt.

Welke formaten hij begrijpt

• Onze YouTube-transcriptie – de kopie met [mm:ss] Speaker A: voor elk segment. Segmenten van dezelfde spreker worden samengevoegd en het sprekerlabel wordt één keer per alinea geschreven.
• Het transcriptiepaneel van YouTube zelf – de tijd op de ene regel, de woorden op de volgende. Tijdregels vervallen, ook de uitgesproken vorm die sommige kopieën hebben ("1 minute, 5 seconds").
• SRT-, WebVTT- en SBV-ondertitelbestanden – cuenummers, timingregels, VTT-headers, notities en inline tags verdwijnen; een VTT-voicetag wordt een sprekerlabel; de herhaalde regel bovenaan elke cue van automatische ondertitels wordt verwijderd.
• Vergadernotities met een naam en een tijd op een eigen regel ("Speaker 1 0:03") worden "Speaker 1:".

Alleen tijdstempels die op tijdstempels lijken worden verwijderd: aan het begin van een regel, op een eigen regel of tussen haakjes. "We spreken af om 10:30" midden in een zin blijft zoals het is.

Hoe alinea's worden herbouwd

Komt de tekst uit een speler, dan wordt elk regeleinde behandeld als het einde van een ondertitel in plaats van een alinea, dus de regels worden eerst samengevoegd. Een woord dat met een koppelteken over twee regels was gesplitst, wordt weer aan elkaar gezet. Daarna begint elke 3, 4, 5, 6 of 8 zinnen een nieuwe alinea (standaard 4), en altijd als de spreker wisselt. Tekst die je zelf hebt getypt, behoudt zijn alinea's met witregel.

Automatisch gegenereerde ondertitels hebben meestal helemaal geen punten, dus er zijn geen zinnen om te tellen. Als een tekst gemiddeld meer dan 60 woorden per zin heeft, knipt de cleaner alinea's in plaats daarvan op lengte – ongeveer 20 woorden voor elke zin die je vroeg – en meldt dat.

"Spaties en hoofdletters herstellen" verwijdert dubbele spaties en spaties voor komma's en punten, voegt een ontbrekende spatie na een komma toe en zet de eerste letter van elke zin in hoofdletters. Afkortingen als "Dr." en initialen als "U.S.A." beëindigen geen zin, en woorden als "iPhone" behouden hun eerste letter.

Stopwoorden, zorgvuldig

De standaardlijsten bevatten alleen aarzelgeluiden – "um", "uh", "erm" in het Engels, "э", "эм" in het Russisch, "äh", "ähm" in het Duits – voor tien talen: Engels, Russisch, Oekraïens, Spaans, Portugees, Frans, Duits, Italiaans, Pools en Nederlands. De taal van de pagina kiest de lijst. Woorden als "like", "you know" of "o sea" zijn met opzet weggelaten: het zijn ook gewone woorden, en ze blind verwijderen verandert de betekenis. Voeg ze zelf toe aan de lijst als je ze kwijt wilt; ook uitdrukkingen van meerdere woorden werken, en je lijst wordt in deze browser onthouden.

Eerlijke beperkingen

De cleaner ruimt tekst op, hij begrijpt hem niet. Hij kan geen leestekens toevoegen die de bron nooit had, kan verkeerd verstane woorden niet herstellen, en een regel die begint met een woord met hoofdletter en een dubbele punt ("Note: …") kan voor een sprekerlabel worden aangezien – die optie staat standaard uit. Lees het resultaat voordat je het publiceert. Alles draait in je browser; de tekst wordt niet geüpload of opgeslagen.