Pular para o conteúdo

Converter JSON para SRT pelos segmentos ou palavra por palavra.

Para converter uma transcrição em JSON para SRT, cole o conteúdo ou arraste o arquivo .json e clique em converter. Lemos os segmentos do Whisper e de outras ferramentas de fala para texto e, quando há tempo por palavra, montamos legendas pelas palavras, em até 2 linhas de 42 caracteres. O SRT sai numerado e em UTF-8.

Grátis, sem cadastro Atualizado em
O que fazer
Formato de saída
Limpeza (opcional)

Tira [Música], (risos), linhas com ♪ e nomes em maiúsculas como PASTOR: no começo da fala.

Como usar

Como transformar o JSON da transcrição em SRT

  1. 01

    Cole ou arraste o .json

    Serve o JSON que ferramentas de transcrição com IA e APIs de fala para texto devolvem, com segmentos de início, fim e texto. Reconhecemos a estrutura sozinhos.

  2. 02

    Escolha segmentos ou palavras

    Se o arquivo tem tempo por palavra, a opção de montar as legendas pelas palavras aparece já marcada. Desmarcada, cada segmento vira uma ou mais legendas.

  3. 03

    Confira o relatório e baixe

    Veja a velocidade de leitura e as linhas longas de cada legenda, corrija sobreposições se precisar e baixe o SRT em UTF-8.

O que sai do JSON e o que fica para trás

O JSON de uma transcrição guarda muito mais do que uma legenda precisa. Cada segmento traz o texto, o início e o fim em segundos (como 4.3 e 6.1) e uma série de números técnicos: ids dos tokens, probabilidade média, chance de não haver fala, taxa de compressão e a temperatura usada na decodificação. Para o SRT, só interessam o tempo e o texto.

Convertemos os segundos para o formato 00:00:04,300, numeramos as legendas a partir de 1 e tiramos o espaço que costuma abrir cada texto. Os campos técnicos e o idioma detectado ficam de fora, porque o SRT não tem onde guardá-los.

No JSONNo SRT
start e end em segundos00:00:04,300 --> 00:00:06,100
text com espaço no começoTexto aparado, em até 2 linhas
words com tempo por palavraLegendas montadas pelas palavras (opcional)
tokens, avg_logprob, temperatureIgnorados
no_speech_prob, compression_ratioIgnorados
languageIgnorado: o SRT não guarda idioma

Segmentos ou palavras: qual dá a melhor legenda?

Os segmentos foram feitos para a transcrição, não para a tela. Um segmento pode cobrir dezenas de segundos de fala e trazer uma frase de 200 caracteres numa linha só. No modo por segmentos, quebramos o texto em linhas de até 42 caracteres e, se não couber em 2 linhas, dividimos o segmento em várias legendas, repartindo o tempo na proporção do texto.

Quando o JSON tem tempo por palavra, a opção de montar pelas palavras já vem marcada, e é ela que dá o melhor resultado. Cada legenda termina depois de um ponto final, de uma interrogação ou de uma exclamação, numa pausa de 0,7 segundo ou mais, ou ao chegar em 7 segundos, sempre dentro de 2 linhas de 42 caracteres. Assim o texto entra e sai da tela junto com a fala.

Um segmento com tempo por palavra e o SRT que sai dele
JSON
{
  "language": "pt",
  "segments": [{
    "start": 0.0, "end": 4.1,
    "text": " Bom dia, pessoal. Hoje vamos editar pelo celular.",
    "avg_logprob": -0.21,
    "words": [
      {"word": " Bom", "start": 0.0, "end": 0.3},
      {"word": " dia,", "start": 0.3, "end": 0.7},
      {"word": " pessoal.", "start": 0.7, "end": 1.4},
      {"word": " Hoje", "start": 2.2, "end": 2.5},
      {"word": " vamos", "start": 2.5, "end": 2.8},
      {"word": " editar", "start": 2.8, "end": 3.3},
      {"word": " pelo", "start": 3.3, "end": 3.5},
      {"word": " celular.", "start": 3.5, "end": 4.1}
    ]
  }]
}

SRT com a opção marcada (pelas palavras)
1
00:00:00,000 --> 00:00:01,400
Bom dia, pessoal.

2
00:00:02,200 --> 00:00:04,100
Hoje vamos editar pelo celular.

SRT com a opção desmarcada (pelo segmento)
1
00:00:00,000 --> 00:00:04,100
Bom dia, pessoal. Hoje
vamos editar pelo celular.

Quais arquivos JSON de transcrição nós lemos

Reconhecemos a estrutura pelo conteúdo, então não importa o nome do arquivo. A codificação (UTF-8, UTF-16 ou Windows-1252) é detectada na leitura. Estas são as estruturas que lemos:

  • Uma lista segments com start, end e text em segundos, como o JSON detalhado (verbose_json) do Whisper. Também servem start_time e end_time.
  • Palavras com tempo dentro de cada segmento (words ou tokens), como no Whisper com word timestamps e no WhisperX, ou numa lista words ou word_segments no topo.
  • Uma lista transcription com offsets em milissegundos, a saída JSON do whisper.cpp.
  • Uma lista chunks com o par timestamp, do pipeline de fala do Hugging Face, ou só uma lista de segmentos, sem nada em volta.

Onde usar o SRT gerado a partir do JSON

O SRT é a legenda que quase todo programa aceita: o YouTube Studio importa direto, o Premiere Pro abre em Arquivo > Importar, o DaVinci Resolve traz pelo Media Pool e o CapCut lê o arquivo na parte de legendas.

Antes de baixar, olhe o relatório. Ele mostra a duração, os caracteres por linha e a velocidade de leitura de cada legenda, e aponta o que passa de 17 caracteres por segundo, linhas com mais de 42 caracteres e legendas com mais de 7 segundos, comuns quando o segmento veio comprido. Transcrições às vezes trazem [Música] ou (aplausos): a opção de remover descrições de som limpa isso na mesma conversão.

Perguntas frequentes

Como converter uma transcrição em JSON para SRT?

Cole o conteúdo do .json ou arraste o arquivo, deixe SRT como saída e clique em converter. Transformamos os segundos em 00:00:04,300, numeramos as legendas e quebramos as linhas em até 42 caracteres. Se o arquivo tiver tempo por palavra, a opção de montar pelas palavras já vem marcada.

Por que as legendas saem longas demais?

Porque os segmentos são pensados para a transcrição e podem durar dezenas de segundos. No modo por segmentos, dividimos o que não cabe em 2 linhas e repartimos o tempo pelo texto. Para legendas que acompanham a fala de perto, gere o JSON com tempo por palavra e use a opção de montar pelas palavras.

Como gerar o JSON com tempo por palavra?

Ative a opção de tempo por palavra (em inglês, word timestamps) na ferramenta ou na API que fez a transcrição. As palavras aparecem numa lista words, no topo do arquivo ou dentro de cada segmento. Lemos os dois jeitos, e a opção de montar as legendas pelas palavras aparece já marcada.

O que acontece com avg_logprob, tokens e no_speech_prob?

São ignorados. Esses campos medem a confiança da transcrição e servem para depurar, mas o SRT só tem número, tempo e texto. O idioma detectado também fica de fora. Se quiser usar a confiança para revisar trechos duvidosos, abra o JSON original num editor de código antes de converter.

Dá para converter o mesmo JSON em VTT, TXT ou CSV?

Dá. O mesmo JSON pode sair em SRT, VTT, TXT, SBV, ASS, TTML ou CSV, e também em Word ou PDF: basta escolher outro formato de saída antes de baixar. O CSV ajuda a revisar o texto numa planilha, e o TXT sem minutagem vira texto corrido.

A transcrição tem [Música] e (aplausos). Dá para tirar?

Dá. Marque a opção de remover descrições de som: apagamos o que estiver entre colchetes ou parênteses e as linhas com ♪, e as legendas que ficarem vazias saem do arquivo. Na mesma conversão, você também pode remover tags de formatação e corrigir legendas sobrepostas.

Meu JSON deu erro ou os tempos saíram errados. Por quê?

Fora do campo offsets, lemos todo tempo em segundos: um JSON com start e end em milissegundos sai com tempos mil vezes maiores. Uma estrutura diferente das que listamos, com as palavras em outros níveis, dá o aviso de que não há legendas. Nesses casos, exporte o SRT direto da ferramenta de origem, se ela tiver a opção.

Fontes

As especificações oficiais que esta ferramenta segue.

  1. 01Arquivos de legenda e CC aceitos(abre em nova aba) · Ajuda do YouTube
  2. 02WebVTT: o formato Web Video Text Tracks(abre em nova aba) · W3C
  3. 03Timed Text Markup Language 1 (TTML1), a especificação do TTML(abre em nova aba) · W3C

Pule o JSON: nós geramos o SRT do seu vídeo. Com falantes e tempo por palavra.

Envie o vídeo ou o link do YouTube. Nós transcrevemos palavra por palavra, em mais de 90 idiomas, e você baixa o SRT, o TXT ou o PDF sem converter nada.

Veja o resultado no seu material antes de cadastrar o cartão.