Limpiador de transcripciones

Qué hace y qué reglas sigue

Cada cambio responde a una regla que puede comprobar en el cuadro de resultados. Cuando una regla tiene que hacer una suposición, opta por conservar la palabra.

Muletillas

Los sonidos sin ningún otro significado — um, eh, hum, euh, äh y similares — se eliminan estén donde estén. Las palabras que solo a veces son de relleno se eliminan únicamente cuando los signos de puntuación las delimitan, y solo cuando rara vez tienen otro valor: algunas siempre que las comas las delimiten (“we, like, went”), otras solo al comienzo de una oración (“Well, I think”) y otras solo al final de una (“c’est cool, quoi.”). Una palabra que constituye una oración por sí sola (“Right.”) se mantiene: es una respuesta. La palabra que pasa a abrir la oración se escribe con mayúscula inicial; si una palabra de relleno está escrita en mayúsculas dentro de un texto en minúsculas, se considera una sigla y se conserva. Las listas se encuentran más abajo, en Preguntas.

Nombres de los oradores

Un “Nombre:” al comienzo de una línea es un orador cuando abre al menos dos líneas, cuando dice “Speaker 1”, cuando hay una marca de tiempo entre él y sus dos puntos (“Maya (00:01:23):”), o cuando el texto está escrito en líneas de “Nombre: texto” y algún nombre se repite. De lo contrario, una palabra que solo abre una línea — “Aviso:”, “Nota:” — se mantiene tal como está escrita, porque eliminarla sería peor que conservar un nombre. Un nombre empieza por una letra, por lo que una puntuación como “3:2” nunca lo es. Una etiqueta de voz de WebVTT siempre identifica a su orador.

Marcas de tiempo y números de subtítulo

Una marca de tiempo al inicio de una línea — [00:01:23], (1:30), 0:02:05 — o después del nombre — Maya (00:01:23): — es el tiempo del párrafo. Una línea que solo contiene un nombre y una marca de tiempo, como las que exportan las aplicaciones de reuniones, asigna nombre al párrafo situado debajo cuando dice “Speaker 1” o cuando el nombre encabeza más de una línea de este tipo; de lo contrario, se mantiene como texto, ya que “Almuerzo a las 12:30” tiene el mismo aspecto. Una hora dentro de una oración (“nos reunimos a las 12:30”) no se modifica. Los números de entrada se eliminan junto con las marcas de tiempo.

Archivos de subtítulos

SubRip y WebVTT se leen como subtítulos, donde cada entrada es un párrafo con sus saltos de línea unidos; un salto de línea nunca se interpreta como el final de una oración. Si se conservan las marcas de tiempo, las entradas limpias se pueden descargar como .srt o .vtt manteniendo su temporización intacta y con las mismas palabras que en el cuadro de resultados; la unión de intervenciones solo se aplica al texto, ya que cada entrada conserva su propio tiempo en pantalla.

Intervenciones combinadas

Los párrafos consecutivos del mismo orador identificado se unifican en uno solo y conservan la marca de tiempo del primero. Un párrafo sin nombre nunca se une a nada: suponer si continúa el orador anterior sería una conjetura, y se lee igual de cualquier forma.

Marcas de orden de bytes (BOM) y saltos de línea de Windows

Se eliminan y normalizan, en lugar de convertir el primer subtítulo en un bloque ilegible.

Preguntas frecuentes