Убрать переносы строк и тайм-коды из транскрипта

Что убирает очиститель

Транскрипт, скопированный из видеоплеера, сделан для того, чтобы следить за речью, а не читать: тайм-код каждые несколько секунд, перенос строки там, где закончился субтитр, [Music] посреди предложения. Очиститель снимает эти строительные леса и отдаёт абзацы. Любой параметр можно отключить, а результат обновляется по мере набора.

Какие форматы он понимает

• Наш транскрипт YouTube — копия с [мм:сс] Speaker A: перед каждым сегментом. Сегменты одного говорящего склеиваются, а метка говорящего пишется один раз на абзац.
• Собственная панель транскрипта YouTube — время в одной строке, слова в следующей. Строки со временем отбрасываются, включая речевую форму, которая есть в некоторых копиях («1 минута, 5 секунд»).
• Файлы субтитров SRT, WebVTT и SBV — номера реплик, строки с таймингом, заголовки VTT, заметки и встроенные теги убираются; голосовой тег VTT становится меткой говорящего; повторяющаяся строка в начале каждой реплики автосубтитров удаляется.
• Заметки со встреч, где имя и время стоят в отдельной строке («Speaker 1 0:03»), превращаются в «Speaker 1:».

Убираются только те тайм-коды, что выглядят как тайм-коды: в начале строки, в отдельной строке или в скобках. «Встречаемся в 10:30» посреди предложения остаётся как есть.

Как пересобираются абзацы

Если текст пришёл из плеера, каждый перенос строки считается концом субтитра, а не абзаца, поэтому сначала строки склеиваются. Слово, разорванное дефисом между двумя строками, собирается обратно. Затем новый абзац начинается каждые 3, 4, 5, 6 или 8 предложений (по умолчанию 4) и всегда — при смене говорящего. Текст, который вы набрали сами, сохраняет свои абзацы, разделённые пустой строкой.

В автосубтитрах обычно нет точек вообще, поэтому считать предложения нечего. Когда в тексте в среднем больше 60 слов на предложение, очиститель режет абзацы по длине — примерно по 20 слов на каждое запрошенное предложение — и сообщает об этом.

«Исправить пробелы и заглавные» убирает двойные пробелы и пробелы перед запятыми и точками, добавляет недостающий пробел после запятой и делает заглавной первую букву каждого предложения. Сокращения вроде «Dr.» и инициалы вроде «U.S.A.» предложение не заканчивают, а слова вроде «iPhone» сохраняют первую букву.

Слова-паразиты — аккуратно

Списки по умолчанию содержат только звуки-запинки — «um», «uh», «erm» в английском, «э», «эм» в русском, «äh», «ähm» в немецком — для десяти языков: английского, русского, украинского, испанского, португальского, французского, немецкого, итальянского, польского и нидерландского. Список выбирается по языку страницы. Слова вроде «like», «you know» или «o sea» намеренно не включены: это ещё и обычные слова, и вслепую убирать их — значит менять смысл. Если хотите убрать их, добавьте их в список сами; работают и фразы из нескольких слов, а ваш список запоминается в этом браузере.

Честные ограничения

Очиститель приводит текст в порядок, но не понимает его. Он не может добавить знаки препинания, которых в источнике никогда не было, не исправит неверно услышанные слова, а строку, начинающуюся с заглавного слова и двоеточия («Note: …»), может принять за метку говорящего — поэтому этот параметр по умолчанию выключен. Прочитайте результат, прежде чем публиковать. Всё выполняется в вашем браузере; текст не загружается и не хранится.