Limpador de transcrições

O que o limpador remove

Uma transcrição copiada de um player de vídeo é feita para acompanhar enquanto se assiste, não para ler: uma marca de tempo a cada poucos segundos, uma quebra de linha onde a legenda terminava, [Música] no meio de uma frase. O limpador tira esse andaime e entrega parágrafos. Toda opção pode ser desligada e o resultado se atualiza enquanto você digita.

Quais formatos ele entende

• Nossa transcrição do YouTube: a cópia com [mm:ss] Speaker A: antes de cada trecho. Trechos do mesmo falante são unidos e o rótulo do falante é escrito uma vez por parágrafo.
• O painel de transcrição do próprio YouTube: a hora numa linha e as palavras na seguinte. As linhas de hora são descartadas, inclusive a forma falada que algumas cópias trazem ("1 minuto, 5 segundos").
• Arquivos de legendas SRT, WebVTT e SBV: saem os números das legendas, as linhas de tempo, os cabeçalhos VTT, as notas e as tags internas; uma tag de voz do VTT vira rótulo de falante; a linha repetida no começo de cada legenda automática é removida.
• Anotações de reuniões com um nome e uma hora em linha própria ("Speaker 1 0:03") viram "Speaker 1:".

Só são removidas as marcas de tempo que parecem marcas de tempo: no começo de uma linha, numa linha só delas ou entre colchetes. "Nos encontramos às 10:30" no meio de uma frase fica como está.

Como os parágrafos são reconstruídos

Quando o texto veio de um player, cada quebra de linha é tratada como o fim de uma legenda e não de um parágrafo, então as linhas são unidas primeiro. Uma palavra dividida entre duas linhas por um hífen é recomposta. Depois começa um novo parágrafo a cada 3, 4, 5, 6 ou 8 frases (4 por padrão), e sempre que o falante muda. O texto que você digitou mantém os parágrafos separados por linhas em branco.

Legendas geradas automaticamente costumam não ter nenhum ponto final, então não há frases para contar. Quando um texto tem em média mais de 60 palavras por frase, o limpador corta os parágrafos por tamanho, cerca de 20 palavras para cada frase que você pediu, e avisa.

"Corrigir espaçamento e maiúsculas" remove espaços duplos e espaços antes de vírgulas e pontos, acrescenta o espaço que falta depois de uma vírgula e põe em maiúscula a primeira letra de cada frase. Abreviações como "Dr." e iniciais como "U.S.A." não encerram uma frase, e palavras como "iPhone" mantêm a primeira letra.

Vícios de fala, com cuidado

As listas padrão contêm só sons de hesitação ("um", "uh", "erm" em inglês, "э", "эм" em russo, "äh", "ähm" em alemão) para dez idiomas: inglês, russo, ucraniano, espanhol, português, francês, alemão, italiano, polonês e holandês. O idioma da página escolhe a lista. Palavras como "like", "you know" ou "o sea" ficam de fora de propósito: também são palavras comuns, e removê-las às cegas muda o sentido. Adicione-as você mesmo à lista se quiser que sumam; frases de várias palavras também funcionam, e a sua lista fica guardada neste navegador.

Limites, sem enrolação

O limpador arruma o texto, não o entende. Ele não consegue acrescentar pontuação que a fonte nunca teve, não corrige palavras ouvidas errado, e uma linha que começa com uma palavra em maiúscula e dois-pontos ("Nota: …") pode ser confundida com um rótulo de falante; essa opção vem desligada por padrão. Leia o resultado antes de publicar. Tudo roda no seu navegador; o texto não é enviado nem armazenado.