Formatos de exportação de transcrição: TXT, SRT, VTT, JSON

Uma transcrição finalizada pode ser entregue em meia dúzia de formatos, e o certo depende inteiramente do que vem depois. Vai incorporar em um player de vídeo? Use SRT ou VTT. Vai publicar em um post de blog? TXT ou DOCX. Vai alimentar outra ferramenta? JSON. Esta referência cobre o que cada formato realmente contém, onde ele é usado e as peculiaridades que pegam as pessoas de surpresa.

TXT: o padrão de texto simples

O formato mais simples. Apenas palavras, opcionalmente com rótulos de falante e marcações de tempo por parágrafo.

[00:00:00] Speaker 1: Welcome back to the show. Today we're talking about pricing.

[00:00:18] Speaker 2: Thanks for having me. Pricing is one of those topics...

TXT é o caminho mais rápido do áudio ao texto legível. Não precisa de player nem biblioteca especial. Basta copiar e colar em qualquer editor, CMS ou cliente de e-mail.

O que o TXT abre mão:

• Sem tempo detalhado para sincronização com vídeo.
• Sem estrutura legível por máquina (tudo é uma string).
• Ferramentas diferentes produzem layouts ligeiramente diferentes, o que importa no processamento em lote.

Use TXT para posts de blog, notas de episódios, atas de reunião, qualquer contexto em que humanos vão ler o arquivo. Para uma análise mais profunda de quando essa troca vale a pena, veja serviços de transcrição gratuitos vs pagos.

DOCX: TXT com formatação

Formato do Microsoft Word. Mesmo conteúdo do TXT, mas com títulos estilizados, nomes de falantes em negrito e, às vezes, um cabeçalho com metadados (nome do arquivo, data, duração).

DOCX é a entrega padrão dos serviços de transcrição humana. Taquígrafos, transcritores jurídicos e empresas de transcrição acadêmica quase sempre enviam DOCX. É o formato que a maioria dos clientes não técnicos espera abrir.

Para ferramentas de IA, DOCX é apenas TXT com estilo. A precisão e o conteúdo são idênticos; o arquivo só fica mais bonito no Word. Se o destinatário vai editar o texto, DOCX é melhor que PDF porque os recursos de controle de alterações e comentários do Word funcionam corretamente.

SRT: o formato universal de legendas

SubRip Subtitle. O formato de legenda mais amplamente suportado em uso comum. YouTube, Vimeo, Premiere, Final Cut e DaVinci Resolve aceitam SRT.

Formato:

1
00:00:00,000 --> 00:00:03,500
Welcome back to the show.

2
00:00:03,500 --> 00:00:09,200
Today we're talking about pricing models for small businesses.

Cada cue tem quatro partes:

1. Número da cue (1, 2, 3, ...).
2. Hora inicial --> Hora final no formato HH:MM:SS,mmm (repare na vírgula decimal, não no ponto).
3. Texto (uma ou mais linhas).
4. Linha em branco para separar as cues.

Peculiaridades do SRT:

• Vírgula decimal, não ponto. 00:00:03,500, e não 00:00:03.500. Este é o erro de sintaxe SRT mais comum. Muitos parsers rejeitam um arquivo que usa ponto no lugar.
• Sem rótulos de falante na especificação. A maioria das ferramentas embute rótulos de falante no texto como Speaker 1: Welcome back. Alguns players exibem isso inline; outros podem removê-lo.
• Quebras de linha importam. A maioria dos players exibe de 1 a 2 linhas por cue. Cues de três linhas podem ser cortadas ou encobrir mais vídeo do que o pretendido.
• Limites de caracteres por linha. A convenção é de 32 a 42 caracteres por linha para legibilidade em telas menores.
• Duração da cue. Normalmente de 2 a 7 segundos por cue. Cues de uma palavra parecem picotadas; cues com mais de 7 segundos exigem velocidade de leitura alta demais.

Uma plataforma que NÃO aceita SRT para entrega profissional é a Netflix. A Netflix exige TTML1 (com extensão .xml ou .ttml) para entrega de legendas. SRT, VTT e SCC não são aceitos nas entregas para a Netflix sem uma exceção explícita de um representante da Netflix. Este é um equívoco comum.

Use SRT para uploads no YouTube, importação em editores de vídeo e a maioria das plataformas de vídeo de consumo.

VTT: o primo nativo da web do SRT

WebVTT. O padrão HTML5 para legendas no navegador, definido na especificação do W3C. Funcionalmente semelhante ao SRT, mas com diferenças notáveis de estrutura e capacidade.

Formato:

WEBVTT

00:00:00.000 --> 00:00:03.500
Welcome back to the show.

00:00:03.500 --> 00:00:09.200
Today we're talking about pricing models for small businesses.

Principais diferenças em relação ao SRT:

• Ponto decimal, não vírgula. 00:00:03.500. O oposto do SRT. Essa é a fonte mais frequente de confusão ao converter entre os dois.
• Cabeçalho WEBVTT obrigatório. O arquivo deve começar com a string "WEBVTT" seguida de duas ou mais quebras de linha. Sem ele, o arquivo não é um VTT válido.
• Identificadores de cue são opcionais. Diferente do SRT, em que os números de cue são convencionais (se não estritamente exigidos), o VTT não os exige.
• Suporta tags de voz. <v Speaker 1>Welcome back.</v> é a forma adequada, definida pelo W3C, de rotular falantes. Players podem estilizar cada voz de forma diferente via pseudoelementos CSS.
• Suporta estilização. Tags semelhantes às do HTML para itálico, negrito e cor funcionam dentro das cues.
• Suporta configurações de cue. Posição, alinhamento e texto vertical podem ser especificados por cue.

VTT é o que o elemento <track> do HTML5 espera. Se você está incorporando legendas em um site usando o elemento de vídeo nativo, VTT é o formato que o navegador entende nativamente. O YouTube aceita VTT, mas recomenda SRT para criadores iniciantes.

Para uma comparação mais profunda desses dois formatos mais o TTML, veja SRT vs VTT vs TTML.

TTML: o padrão de broadcast

Timed Text Markup Language. O formato baseado em XML do W3C que emissoras profissionais e plataformas de streaming exigem. Também conhecido como DFXP (Distribution Format Exchange Profile), que é um perfil específico do TTML.

O TTML suporta estilização complexa, posicionamento preciso na tela, metadados de acessibilidade (marcadores SDH, identificação de falantes) e múltiplas trilhas de idioma dentro de um único arquivo. A Netflix exige TTML1 para todos os idiomas; BBC iPlayer e Hulu também o exigem para entrega profissional.

Para a maioria dos criadores que fazem upload no YouTube ou incorporam vídeos no próprio site, o TTML não é necessário. Ele importa quando você está entregando conteúdo a um parceiro de broadcast ou plataforma que tem uma especificação formal de entrega. O YouTube aceita TTML e DFXP, mas SRT ou VTT cobre a maioria dos fluxos de trabalho de criadores.

JSON: o formato legível por máquina

Para desenvolvedores, o JSON é a exportação sem perdas. Tudo o que o motor de transcrição sabe, estruturado e consultável.

{
  "transcript": "Welcome back to the show...",
  "words": [
    {"word": "Welcome", "start": 0.020, "end": 0.380, "confidence": 0.998, "speaker": 0},
    {"word": "back", "start": 0.380, "end": 0.640, "confidence": 0.997, "speaker": 0}
  ],
  "utterances": [
    {"speaker": 0, "text": "Welcome back to the show.", "start": 0.020, "end": 1.880}
  ],
  "metadata": {
    "duration": 1845.2,
    "language": "en",
    "model": "whisper-large-v3"
  }
}

O JSON contém o que SRT e TXT não conseguem carregar: marcações de tempo no nível da palavra, pontuações de confiança por palavra, atribuições de falantes, agrupamentos de falas e metadados do modelo. Campos opcionais de motores habilitados para IA incluem tópicos, sentimentos e resumos.

Use JSON quando estiver construindo qualquer coisa sobre uma transcrição: players de vídeo personalizados, índices de busca, pipelines de IA ou análise de dados. O formato é verboso, mas sem perdas. Se o seu serviço de transcrição armazena o JSON, você pode reexportar para SRT ou TXT depois sem passar o áudio pelo motor novamente.

PDF: a entrega refinada

Transcrições em PDF são geradas exportando o DOCX para PDF. Elas têm aparência profissional, fixam a formatação e são a entrega esperada por muitos clientes jurídicos e acadêmicos.

Use PDF para:

• Documentos jurídicos e petições judiciais.
• Entregas de pesquisa acadêmica.
• Relatórios para clientes em que o layout fixo importa.
• Arquivamento (desde que o texto esteja incorporado, não escaneado).

Não use PDF se:

• O destinatário vai editar o texto. Editar PDF é lento e propenso a erros; prefira enviar DOCX.
• O destinatário vai alimentá-lo em outra ferramenta. JSON ou TXT são mais compatíveis.

Quando usar cada formato

Na dúvida, exporte tanto TXT quanto SRT. São arquivos pequenos; ter os dois lhe dá opções para fluxos de vídeo e de texto sem rodar a transcrição novamente.

Comprimento das cues e quebras de linha

Este é o tema que pega de surpresa quem faz legendas pela primeira vez. As configurações padrão de muitas ferramentas produzem arquivos SRT ou VTT com cues longas demais, curtas demais ou com quebras de linha esquisitas em telas menores. Para decisões de tempo em especial, veja quando usar marcações de tempo na transcrição.

Boas práticas:

• Duração da cue: de 2 a 6 segundos. Cues de uma palavra parecem picotadas; cues com mais de 7 segundos elevam demais a velocidade de leitura.
• Caracteres por linha: de 32 a 42 é a convenção. Acima de 42, a linha quebra mal no celular.
• Linhas por cue: no máximo 2. Cues de três linhas encobrem parte demais do vídeo.
• Palavras por minuto: busque uma velocidade de leitura de 160 a 180 ppm, ajustando a duração da cue ao ritmo do falante.

A maioria das ferramentas modernas produz padrões sensatos. Se as cues estão saindo erradas, procure uma configuração de "comprimento de linha" ou "velocidade de leitura" antes de editar manualmente.

Conversão entre formatos

Converter entre formatos costuma ser gratuito, mas nem sempre é sem perdas:

• TXT de/para DOCX: o Word lida com ambos nativamente. Nenhuma informação perdida.
• SRT de/para VTT: transformação trivial de texto: troque vírgulas por pontos (ou o contrário), adicione ou remova o cabeçalho WEBVTT. Uma linha de código com qualquer linguagem de script.
• JSON para TXT/SRT/VTT: a maioria das ferramentas de transcrição faz isso automaticamente. O JSON é a fonte da verdade; todos os outros formatos derivam dele.
• TXT para SRT/VTT: exige realinhar o texto ao áudio, o que requer os dados de tempo originais. Impossível sem o áudio ou o JSON original.
• PDF para qualquer coisa: confiável apenas quando o PDF foi gerado a partir de texto. PDFs escaneados exigem OCR e perdem formatação.

Se você está usando o ConvertAudioToText, ele exporta TXT, SRT, VTT, JSON e DOCX a partir de um único trabalho de transcrição, então você só roda o motor novamente se mudar configurações como idioma ou número de falantes. Você também pode gerar arquivos de legenda diretamente na ferramenta geradora de legendas.

FAQ

Qual é a diferença entre SRT e VTT?

Ambos são formatos de legendas temporizadas com estrutura quase idêntica. O SRT usa vírgula como separador decimal nas marcações de tempo (00:00:03,500) e exige números de cue. O VTT usa ponto (00:00:03.500), torna os números de cue opcionais, exige um cabeçalho WEBVTT no topo do arquivo e adiciona suporte a tags de voz, estilização CSS e posicionamento na tela. O SRT funciona por padrão em mais plataformas; o VTT é o formato nativo dos elementos de vídeo HTML5.

Qual formato devo usar para o YouTube?

O SRT é o padrão prático para o YouTube. O YouTube também aceita VTT, SBV, TTML e vários formatos de broadcast, mas o SRT é o formato que a própria documentação de ajuda do YouTube recomenda para criadores iniciantes em legendagem. Ele é amplamente suportado pelas ferramentas de exportação e não exige configuração especial.

A Netflix aceita arquivos SRT?

Não, não para entrega profissional. A Netflix exige TTML1 (com extensão .xml ou .ttml) para arquivos de legenda. SRT, VTT e SCC não são aceitos sem uma exceção explícita de um representante da Netflix. Se você está entregando conteúdo à Netflix, consulte a Netflix Partner Help Center para obter a especificação TTML atual.

O que uma transcrição em JSON contém que SRT e TXT não contêm?

O JSON traz marcações de tempo no nível da palavra, pontuações de confiança por palavra, atribuições de falantes, agrupamentos de falas e metadados do modelo. O SRT carrega apenas blocos de texto temporizados sem detalhe no nível da palavra. O TXT carrega apenas as palavras, com rótulos de falante opcionais e marcações de tempo por parágrafo. Se você precisa construir busca, rodar análises de NLP ou alimentar um player personalizado, o JSON é o único formato que contém os dados completos.

Posso converter entre formatos de transcrição sem rodar a transcrição novamente?

Para a maioria das conversões, sim. SRT, VTT, TXT e DOCX podem ser regenerados a partir do JSON original sem tocar no áudio de novo, desde que o seu serviço de transcrição tenha armazenado o JSON. A conversão que não pode ser revertida é de TXT para SRT ou VTT: sem dados de tempo no nível da palavra, não há como posicionar as marcações de tempo com precisão.

Fontes

• Especificação WebVTT do W3C: https://www.w3.org/TR/webvtt1/
• Guia de estilo de Timed Text da Netflix (Requisitos gerais): https://partnerhelp.netflixstudios.com/hc/en-us/articles/215758617-Timed-Text-Style-Guide-General-Requirements
• Perfil de texto IMSC 1.1 da Netflix: https://partnerhelp.netflixstudios.com/hc/en-us/articles/360053755033-Netflix-IMSC-1-1-Text-Profile
• Arquivos de legenda e closed caption suportados pelo YouTube: https://support.google.com/youtube/answer/2734698
• Documentação da API WebVTT no MDN: https://developer.mozilla.org/en-US/docs/Web/API/WebVTT_API/Web_Video_Text_Tracks_Format