Quitar etiquetas HTML
O pega el texto de los subtítulos
Opciones
Un recuadro, siete opciones y cada opción tiene su propia página. Cursiva, Negrita, Subrayado y Color quitan ese tipo de intervalo y dejan el resto del estilo de la línea intacto. Todo quita todos los intervalos que modela la herramienta —esos cuatro más la sincronización karaoke— y deja intacto todo lo demás del texto. HTML hace lo mismo y además barre el marcado entre corchetes angulares que quedó en el texto porque la herramienta no lo modela, como las etiquetas de hablante <v Bob> y <c.className> de VTT. ASS hace lo mismo con los bloques de anulación: limpia los códigos {...} que no se reconocieron al analizar, como {\fad(500,500)}. Esta página rellena el recuadro con la opción que nombra su título y no lista ninguna otra.
La velocidad de fotogramas con la que se cuentan los tiempos. En las páginas de formato es lo que necesita MicroDVD, porque guarda los tiempos como números de fotograma. En las páginas de velocidad de fotogramas es la velocidad con la que se cronometró el archivo (la versión para la que se hicieron los subtítulos), y el segundo recuadro de la página toma la velocidad del video con el que vas a usarlos. 23,976, 24, 25, 29,97, 30, 50, 59,94 y 60 son las habituales. Equivocarla desplaza toda la línea de tiempo, y en las páginas de velocidad de fotogramas la desplaza por una proporción en lugar de por una cantidad fija.
Esta página saca el marcado del texto de los subtítulos: cada rango de estilo que lleva un archivo y, además, las etiquetas entre ángulos que se quedan en el texto. Lo que devuelve es diálogo legible sin más: las palabras, los tiempos y nada más. Es la pasada para un archivo cuyo texto todavía lleva una etiqueta de hablante, una etiqueta de clase o un cierre suelto en medio de una línea.
Esa segunda mitad es la razón de que esta página exista junto a Quitar todo el formato de subtítulos. La herramienta modela las cuatro etiquetas de énfasis que entiende y deja todo lo demás donde lo encontró, que es lo correcto al leer un archivo: comerse en silencio un marcado que no reconoce sería perder datos. Pero eso significa que un archivo WebVTT con `<v Bob>` conserva la etiqueta a través de todas las demás limpiezas del sitio, y que un archivo que pasó por OCR o por edición manual suele tener un cierre desemparejado en medio de una línea. Esta es la página que los barre, y su título lo dice.
El barrido es deliberadamente estrecho. Solo quita algo con forma de etiqueta: una letra o una barra inmediatamente después del ángulo de apertura. Una comparación del diálogo como `5 < 10` y una cara triste como `<3` quedan completamente intactas, porque una regla más laxa borraría las palabras entre los dos ángulos y no dejaría en la salida nada que lo delatara. Lo que no está modelado no se adivina.
No se sube nada: el archivo se lee y se escribe dentro de la pestaña del navegador. Un archivo que ya es texto plano vuelve byte por byte, que es también la forma más barata de averiguar si el marcado invisible que sospechas está de verdad ahí.
Ejemplos
Un archivo WebVTT con una etiqueta de hablante y una de clase
Entrada
WEBVTT
00:00:01.000 --> 00:00:02.000
<v Bob><c.yellow>Hello there</c>
00:00:03.000 --> 00:00:04.000
<i>She left</i> <ruby>東京<rt>とうきょう</rt></ruby>.
Resultado
WEBVTT
00:00:01.000 --> 00:00:02.000
Hello there
00:00:03.000 --> 00:00:04.000
She left 東京とうきょう.
La etiqueta de hablante, la de clase, la cursiva y la anotación ruby se van, y quedan las palabras. Fíjate en el segundo bloque: la lectura dentro de `<rt>` era texto y no marcado, así que se queda; la salida muestra los kana junto a los kanji, que es lo que el reproductor habría mostrado de todos modos.
Un archivo SRT con un cierre desemparejado
Entrada
1
00:00:01,000 --> 00:00:02,000
<i>Hello</i> there</i> again.
2
00:00:03,000 --> 00:00:04,000
<b>And</b> one more.
Resultado
1
00:00:01,000 --> 00:00:02,000
Hello there again.
2
00:00:03,000 --> 00:00:04,000
And one more.
El par alrededor de `Hello` se leyó como un rango y se quitó de una vez; el `</i>` suelto después de `there` lo dejó en el texto el lector y aquí se barre. Los dos acaban fuera de la salida, que es el sentido de hacer los dos trabajos en una sola pasada: las etiquetas desemparejadas como esta son lo que devuelve un archivo después del OCR o de la edición manual.
Las comparaciones y los símbolos no son etiquetas
Entrada
1
00:00:01,000 --> 00:00:02,000
5 < 10 and 3 > 1
2
00:00:03,000 --> 00:00:04,000
<3 you
Resultado
1
00:00:01,000 --> 00:00:02,000
5 < 10 and 3 > 1
2
00:00:03,000 --> 00:00:04,000
<3 you
No se quita nada, y esta es la mitad de la página que más importa. El barrido solo toca algo con forma de etiqueta, es decir, una letra o una barra justo después del ángulo; una comparación matemática y un corazón hecho con un signo menor que sobreviven intactos, y también todo lo escrito entre dos ángulos.
Preguntas frecuentes
¿Qué diferencia hay entre esta página y quitar todo el formato?
Esta hace ese trabajo y después va más lejos. Quitar el formato saca los rangos de énfasis que la herramienta modela: cursiva, negrita, subrayado, color y karaoke. Esta página los quita también y después barre las etiquetas entre ángulos que quedan en el propio texto: etiquetas de hablante, de clase, marcado ruby y cierres sueltos o desemparejados. Si tu archivo no tiene marcado de ese tipo, las dos páginas producen la misma salida.
¿Qué etiquetas barre esta página y cuáles deja intactas?
Quita todo lo que tiene forma de etiqueta: un ángulo de apertura seguido de inmediato por una letra o una barra, hasta el siguiente ángulo de cierre. No toca un ángulo seguido de cualquier otra cosa, así que una comparación como `5 < 10 and 3 > 1` y un símbolo como `<3` pasan intactos. Esa estrechez es deliberada: una regla más amplia borraría el diálogo entre dos ángulos y no dejaría rastro en la salida.
¿Se eliminan las palabras que había dentro de una etiqueta quitada?
Depende de lo que hubiera dentro. Los atributos propios de una etiqueta se van con ella, y también lo anidado dentro de una etiqueta que se quita: la lectura dentro de una anotación ruby, por ejemplo, es texto y se queda en la línea mientras el marcado ruby que la rodea desaparece. Lo que nunca ocurre es quitar texto que está entre dos ángulos en un diálogo normal, porque eso no tiene forma de etiqueta.
¿La salida seguirá siendo válida en mi reproductor después de quitar el marcado?
Sí, y de forma más fiable que antes. WebVTT admite un cierre desemparejado sin quejarse, pero una etiqueta de hablante a la que le falta el ángulo de cierre puede tragarse el resto de la línea en algunos reproductores, y distintos reproductores no coinciden en lo que significa una etiqueta desconocida. El texto plano no tiene esa ambigüedad, y por eso un archivo para una plataforma que impone su propio estilo suele estar mejor limpio que estilizado.
¿Puedo quitar solo el marcado sobrante y conservar las cursivas?
No en esta página: los rangos de énfasis se van primero y el barrido corre después, así que un archivo con cursivas vuelve sin ellas. Ese orden no es arbitrario: quitar marcado acorta el texto, y cada rango posterior tendría que recalcularse para seguir apuntando a los caracteres correctos. Hacer los dos trabajos juntos es lo que hace exacto el resultado, así que aquí no hay un ajuste a medias.
¿Por qué no se informó de nada si mi archivo tenía marcado a la vista?
La razón probable es que el marcado no tiene forma de etiqueta: un ángulo seguido de un espacio, un dígito o un símbolo se deja en paz a propósito, así que no se quitó nada y el archivo volvió byte por byte. Si el archivo sí contiene algo como `<v Bob>` y aun así vuelve sin cambios, comprueba que es el archivo que crees: la página lee un archivo por el formato que es de verdad, no por la extensión que lleva.