Formatos de legendas e transcrições: SRT, VTT, TXT, CSV

Transcreva um arquivo e logo perguntam em que formato você o quer. SRT? VTT? TXT? Algo com JSON no nome? Os formatos não são intercambiáveis — cada um descarta informação que os outros mantêm, e escolher o errado significa refazer a exportação ou escrever um conversor.

Esta é uma referência de todos os formatos em que uma transcrição costuma vir: como cada um se parece, para que serve e como passar de um para outro.

O resumo em uma tabela

Formato	Marcação de tempo	Estilo	Legível por máquina	Melhor para
SRT	Sim (por entrada)	Mínimo	Parcial	Legendas/captions, suporte quase universal
VTT	Sim (por entrada)	Sim (posição, entradas)	Parcial	Vídeo web (`<track>`), players HTML5
TXT	Não	Não	Não	Ler, citar, colar num documento
TSV	Sim (colunas)	Não	Sim	Planilhas, scripts, pipelines de dados
CSV	Sim (colunas)	Não	Sim	Excel/Sheets, importações
JSON	Sim (por segmento)	Não	Sim	Uso programático, APIs, apps sob medida
ASS / SSA	Sim	Sim (rico)	Parcial	Legendas estilizadas/karaokê, fansubs de anime
SMI (SAMI)	Sim	Sim (HTML/CSS)	Parcial	Windows Media legado
TTML	Sim	Sim (rico)	Sim (XML)	Radiodifusão, entrega por streaming

O resto deste guia é o detalhe por trás de cada linha.

SRT (SubRip)

A língua franca das legendas. Quase todo player, editor e plataforma aceita .srt. Um arquivo é uma lista de entradas numeradas: um índice, uma marcação de início e fim, uma ou mais linhas de texto e depois uma linha em branco.

1
00:00:00,498 --> 00:00:02,827
Olá, e bem-vindos ao programa.

2
00:00:02,900 --> 00:00:05,110
Hoje vamos falar de formatos de arquivo.

Repare na vírgula antes dos milissegundos (,498) — essa é a assinatura do SRT e o que a maioria dos conversores feitos à mão erra. O estilo se limita a marcações básicas. Use SRT quando quiser a maior compatibilidade possível.

Converta de e para ele: VTT para SRT, SRT para texto, SRT para Word, SRT para PDF, ou reajuste as marcas de tempo no editor de SRT.

VTT (WebVTT)

O formato de legendas nativo da web, projetado para o elemento HTML5 <track>. Parece-se com o SRT, com três diferenças: um cabeçalho WEBVTT obrigatório, um ponto antes dos milissegundos (não uma vírgula) e suporte a posicionamento, estilo e metadados das entradas.

WEBVTT

00:00:00.498 --> 00:00:02.827
Olá, e bem-vindos ao programa.

00:00:02.900 --> 00:00:05.110 line:90% align:center
Hoje vamos falar de formatos de arquivo.

Use VTT quando o vídeo toca num navegador ou num player HTML5. Se uma plataforma rejeita o seu arquivo, a incompatibilidade SRT/VTT é o suspeito de sempre — troque com SRT para VTT ou VTT para texto.

TXT (texto simples)

A transcrição inteira como prosa, sem marcação de tempo, sem estrutura. É o que você quer para ler, citar num documento, colar num post de blog ou entregar a outra ferramenta que só precisa das palavras. É a exportação mais amigável para o humano e a menos útil para qualquer coisa que precise de tempo.

TSV e CSV

Transcrições tabulares: uma linha por segmento, com hora de início, hora de fim e texto como colunas (o TSV as separa com tabulações, o CSV com vírgulas).

start	end	speaker	text
0	2827	S1	Olá, e bem-vindos ao programa.
2900	5110	S1	Hoje vamos falar de formatos de arquivo.

Abra qualquer um no Excel ou no Google Sheets, ou leia-o linha a linha num script. O TSV é o mais seguro dos dois para transcrições, porque o texto falado é cheio de vírgulas que quebram parsers de CSV ingênuos; tabulações quase nunca aparecem dentro do próprio texto. Recorra a eles quando estiver fazendo análise — codificar entrevistas qualitativas, contar termos ou importar segmentos para um pipeline.

JSON

A exportação estruturada, para quando o consumidor é código. Cada segmento é um objeto com seu tempo, seu texto e (se ativado) quem fala, de modo que uma aplicação pode lê-lo sem extrair as marcas de tempo de uma string.

{
  "segments": [
    { "start": 0.498, "end": 2.827, "speaker": "S1",
      "text": "Olá, e bem-vindos ao programa." },
    { "start": 2.900, "end": 5.110, "speaker": "S1",
      "text": "Hoje vamos falar de formatos de arquivo." }
  ]
}

Use JSON quando estiver construindo sobre a transcrição — um visualizador sob medida, um índice de busca, uma etapa de resumo. É a opção sem perdas: tudo o que a transcrição sabe está ali, pronto para ser remodelado em qualquer um dos formatos acima.

Os formatos de legenda estilizados: ASS, SSA, SMI, TTML

Estes carregam estilo visual que os formatos simples não conseguem:

ASS / SSA (Advanced SubStation Alpha) — posicionamento rico, fontes, cores e tempos estilo karaokê. O padrão para fansubs de anime e qualquer legenda que precise parecer projetada em vez de padrão. Achate para um arquivo universal com ASS para SRT ou SSA para SRT.
SMI (SAMI) — o formato de captions mais antigo da Microsoft, baseado em HTML/CSS, ainda encontrado em conteúdo legado do Windows Media. Modernize-o com SMI para SRT.
TTML (Timed Text Markup Language) — um formato XML usado em radiodifusão e entrega por streaming (seus perfis incluem EBU-TT e a família SMPTE-TT/IMSC). Verboso mas preciso, e padrão em pipelines profissionais. Converta com TTML para SRT.

Você raramente cria nesses formatos, a menos que uma plataforma os exija; com mais frequência você recebe um e precisa dele como SRT ou VTT.

Como escolher, em uma linha cada

Colocando legendas num vídeo? SRT para ampla compatibilidade, VTT para a web.
Só quer ler ou citar? TXT (ou PDF/DOCX para um documento compartilhável).
Analisando a transcrição? TSV numa planilha.
Construindo software sobre ela? JSON.
Recebeu um arquivo estilizado ou de radiodifusão? Converta ASS/SSA/SMI/TTML para SRT.

Como obter o arquivo, para começar

Todos saem do mesmo passo: transcreva o áudio ou o vídeo e depois exporte. O ScribeToAny produz TXT, SRT, VTT, TSV, CSV, JSON, PDF e DOCX a partir de uma única transcrição — detecte o idioma automaticamente, revise os segmentos contra o áudio e exporte quantos formatos precisar. Se você já tem arquivos de legenda e só precisa passar de um formato a outro, as ferramentas do navegador fazem a conversão na sua máquina, sem enviar nada.

Formatos são só visões diferentes do mesmo texto sincronizado — palavras, tempos e, às vezes, estilo. Escolha o que o seu destino espera e mantenha um JSON ou um VTT por perto como cópia-mestra sem perdas. Comece pela ferramenta de áudio para texto e exporte para o que vier depois.

Formatos de arquivo de legendas e transcrições explicados: SRT, VTT, TXT, JSON, CSV e mais