Como preparar legendas SRT para revisão com IA

Guia para revisar legendas SRT com IA sem quebrar a sincronia: formato, o que a IA erra com frequência e o método de revisão em passos que preserva os timestamps.

Legenda automática pronta para publicar é exceção, não regra. Ferramentas de transcrição e de IA acertam o grosso do texto, mas escorregam em algo essencial: um timestamp que sai do lugar, um bloco que se funde com o vizinho, uma pontuação que muda o sentido da fala. Revisar o arquivo SRT antes de subir o vídeo separa uma legenda útil de uma que faz o espectador ler a frase errada na hora errada.

Este guia mostra o formato SRT na prática, o que a IA estraga quando você pede para “melhorar” as legendas e um método de revisão em cinco passos que mantém o tempo intacto. A regra geral: revise o texto primeiro, mexa no tempo depois e nunca peça ao modelo para reescrever o arquivo inteiro de uma vez.

Resumo rápido

O SRT tem blocos numerados, uma linha de tempo no formato HH:MM:SS,mmm --> HH:MM:SS,mmm com vírgula antes dos milissegundos, o texto nas linhas seguintes e uma linha em branco entre blocos.

Salve em UTF-8 sem BOM, senão os acentos quebram na leitura por muitos players.

A IA erra ao reescrever texto: desalinha o tempo, funde blocos, perde falantes e inventa pontuação que muda o sentido.

Revise o texto primeiro sem tocar no tempo; só depois ajuste a sincronia, bloco a bloco.

Peça ao modelo com instruções explícitas: preserve os timestamps, devolva no mesmo formato SRT, aqui está o arquivo.

Valide com um player antes de publicar; um arquivo que abre em um editor pode falhar em outro.

O que é um arquivo SRT, na prática

SRT vem de SubRip, o formato de legenda mais simples e mais aceito. Ele não tem estilo, cor nem posicionamento: só tempo e texto. Por isso funciona em quase todo lugar, de players de vídeo a plataformas de publicação. O YouTube, por exemplo, lista o SubRip (.srt) entre os formatos básicos recomendados e exige que o arquivo seja do tipo UTF-8 simples.

Um bloco de legenda tem quatro partes:

Um número de sequência, começando em 1.
Uma linha de tempo com o início e o fim, no formato HH:MM:SS,mmm --> HH:MM:SS,mmm, com duas casas de horas, dois-pontos entre hora, minuto e segundo, e vírgula antes dos milissegundos.
Uma ou mais linhas com o texto da legenda.
Uma linha em branco que separa este bloco do próximo.

Um exemplo real, o mesmo usado na central de ajuda do YouTube:

1
00:00:00,599 --> 00:00:04,160
Oi, meu nome é Alice Miller e este é John Brown

2
00:00:04,160 --> 00:00:06,770
Somos os proprietários da Miller Bakery

3
00:00:06,770 --> 00:00:10,880
Hoje, vamos ensinar como fazer nossos famosos cookies

Duas fontes de erro nascem aqui. A primeira é o separador: o SRT usa vírgula entre segundos e milissegundos (00:00:04,160), não ponto. O formato WebVTT usa ponto (00:00:04.160), e um modelo que mistura os dois produz arquivo que o player recusa. A segunda é a linha em branco: sem ela, dois blocos viram um só.

Codificação e acentos

Um arquivo com “não”, “João” ou “endereço” precisa ser salvo em UTF-8 para exibir acentos corretamente. A recomendação mais segura é UTF-8 sem BOM (byte order mark). O BOM é uma marca invisível de três bytes no começo do arquivo que alguns editores adicionam por padrão; vários players tratam esse prefixo como texto e mostram um caractere estranho na primeira legenda, ou recusam o arquivo. A Unicode explica o BOM na pergunta frequente oficial sobre ordem de bytes.

Limites de linha e de velocidade de leitura

As recomendações variam por plataforma, então evite fixar um número único. O mais consolidado vem das diretrizes de legendagem da BBC e do padrão EBU, usados na produção profissional:

Comprimento de linha: em sistemas de transmissão baseados em teletexto, a linha é limitada a 37 caracteres de largura fixa. Em plataformas online, que usam fontes proporcionais, o limite é por largura na tela (cerca de 68% da largura de um vídeo 16:9), e a BBC usa 37 caracteres como referência equivalente.
Número de linhas: até 2 linhas por legenda em vídeo horizontal (16:9, 4:3, 1:1) e até 3 em vídeo vertical (9:16).
Velocidade de leitura: a meta da BBC é de 160 a 180 palavras por minuto, o que dá cerca de 0,3 segundo por palavra, ou seja, ao menos 1,2 segundo para uma legenda de quatro palavras.

Essas metas são referência, não lei. Se a legenda ficou longa demais ou ficou na tela por tempo curto demais, ela é difícil de acompanhar, e o ajuste começa por editar o texto, não por esticar o tempo.

O que a IA costuma errar em legendas

O problema quase nunca é ortografia. É o que acontece quando o modelo mexe na relação entre tempo e texto. Os cinco erros mais frequentes:

Quebrar a sincronia ao reescrever

Quebrar a sincronia ao reescrever. Quando você pede “melhore estas legendas”, o modelo reescreve o texto de cada bloco com mais ou menos palavras, sem tocar nos timestamps. O resultado é um texto que não cabe na duração original: a fala fica corrida em uns blocos e sobrando em outros. O modelo otimiza o texto, e o tempo é apenas um campo que ele repete de memória.

Fundir ou dividir blocos com timestamps diferentes

Ao juntar duas frases curtas em uma só, o modelo precisa escolher qual tempo manter. Muitas vezes mantém o tempo do primeiro bloco e cola o texto dos dois, encurtando a duração pela metade. Ao dividir um bloco longo em dois, ele inventa um tempo de divisão que não existe na fala original.

Perder falantes em diálogos sobrepostos

Em entrevistas e podcasts com vozes que se cruzam, a transcrição automática já chega confusa. Um modelo que “limpa” o texto apaga as marcas de quem fala, ou atribui a fala à pessoa errada.

Inventar pontuação que muda o sentido

Parece inofensivo acrescentar vírgulas. Mas “não, pode entrar” e “não pode entrar” são frases opostas, e a diferença é uma vírgula. Em contexto jurídico, médico ou financeiro, uma pontuação inserida pelo modelo sem conferência pode inverter o significado de uma instrução.

Tradução que não cabe no tempo

Quando você traduz mantendo a duração original, o texto em português costuma ficar mais longo que o original em inglês. O modelo traduz bem, mas se você não recalcular a duração, a legenda fica na tela por menos tempo do que o necessário para ler. Traduzir implica sempre revisar tempo e quebra de linha depois.

O que a IA pode fazer e o que exige conferência humana

A tabela separa o trabalho de baixo risco do que sempre precisa de olho humano. A divisão não é sobre confiança no modelo, e sim sobre o custo do erro: corrigir uma vírgula errada é rápido; consertar uma sincronia quebrada em 300 blocos, não.

Tarefa	Seguro deixar com a IA	Exige conferência humana
Ortografia e acentuação	Sim, com revisão final por amostragem	Palavras específicas do domínio (termos técnicos, nomes próprios)
Pontuação	Vírgulas e pontos simples	Trechos onde a pontuação altera o sentido
Concordância e gramática	Sim	Casos em que a fala original tem valor (citação, entrevista)
Capitalização e nomes	Início de frase e nomes comuns	Marcas, siglas, cargos e termos do cliente
Timestamps	Não, em nenhuma hipótese	Sempre, bloco a bloco, direto na fonte
Quebra de linha	Não	Sempre: tamanho, número de linhas e ponto de quebra
Identificação de falantes	Só para separar blocos já marcados	Sempre em diálogos sobrepostos

Leia a tabela como um contrato com o modelo: o que estiver na coluna do meio você pode delegar; o que estiver na coluna da direita, não. Modelos de linguagem são bons editores de texto e péssimos guardiões de estrutura ao mesmo tempo.

Método de revisão em cinco passos

O roteiro abaixo serve para quem recebeu uma legenda automática e precisa deixá-la pronta para publicar. A ordem importa: cada passo assume que o anterior está resolvido.

1. Preserve o arquivo original como referência

Antes de qualquer edição, guarde uma cópia do arquivo cru com outro nome, por exemplo video-original.srt. A versão automática, mesmo imperfeita, é a sua fonte de verdade sobre onde cada fala começa e termina. Se a revisão descarrilhar, você volta para ela.

2. Revise primeiro o texto, sem tocar no tempo

Trabalhe num editor de texto simples (não num processador que formata). Corrija ortografia, pontuação e concordância com o tempo congelado, sem alterar nenhuma linha de tempo. Se uma legenda precisar de mais palavras do que caberia no tempo, anote e resolva no passo 3.

3. Só depois ajuste os tempos

Com o texto fechado, volte aos blocos apertados ou folgados. Compare com o original e com o áudio: se a fala “respondeu ontem à noite” dura 1,8 segundo e a legenda ficou com 0,9, algum tempo está errado. Ajuste com o player aberto, ouvindo o trecho.

4. Confira bloco a bloco

Percorra o arquivo conferindo três coisas por bloco: numeração sequencial, número de linhas dentro do limite da plataforma e duração compatível com a quantidade de texto (cerca de 0,3 segundo por palavra). Um script simples que calcula a duração por bloco ajuda, mas não substitui a leitura.

5. Valide com um player antes de publicar

Carregue o SRT no mesmo player ou plataforma em que o vídeo será publicado. Confira se os acentos aparecem corretos, se nenhum bloco ficou colado no outro e se a primeira legenda não tem caractere estranho (sinal de BOM). Um arquivo que abre bem no editor pode falhar em um player específico.

Como pedir a revisão para o modelo certo

O maior erro de quem usa IA para revisar legendas é o pedido vago. “Revise estas legendas” ou “melhore este SRT” abrem a porta para o modelo reescrever tudo, inclusive o que não devia. O pedido precisa fixar a estrutura e liberar apenas o que é seguro.

Em vez de “reescreva as legendas”, use uma instrução com três peças: a ordem de preservar, o formato de devolução e o arquivo de entrada. Um exemplo de pedido bem formulado:

Preserve todos os timestamps exatamente como estão.
Não junte nem divida blocos.
Corrija apenas ortografia, acentuação e pontuação.
Mantenha o número de linhas por bloco.
Devolva no mesmo formato SRT, com a mesma numeração.
Aqui está o arquivo:

[cole aqui o conteúdo do SRT]

A frase-chave é “preserve os timestamps”. Ela transforma o tempo em algo que o modelo não deve decidir. Vale ainda pedir que ele liste os blocos em que teve dúvida de pontuação e sinalize os longos demais para a duração. Assim a revisão vira uma lista curta de pontos a checar.

Trate a saída como rascunho, não como versão final. Compare o arquivo devolvido com o original: se os timestamps mudaram, você volta ao passo 1. O ChatGPT ajuda nesse tipo de edição controlada quando recebe a instrução certa; veja os cuidados no guia de integração com o ChatGPT. O mesmo fluxo vale para quem produz conteúdo em série, como agências de turismo com roteiros e cotações ou buffets de eventos.

Exemplo: estúdio de cursos online em Belo Horizonte

Um estúdio pequeno de produção de cursos online em Belo Horizonte grava aulas com professores convidados e publica os vídeos numa plataforma própria. A equipe transcreve o áudio com uma ferramenta de IA, gera o SRT automaticamente e antes publicava o arquivo quase sem revisão. O relato é ilustrativo, sem números de audiência.

O que dava errado: em aulas com dois professores que conversam, as falas apareciam sem a marca de quem falava. Em trechos com termos técnicos, a transcrição automática “corrigia” nomes de tecnologias para palavras parecidas, e a legenda ensinava o termo errado. E os blocos vinham, muitas vezes, com duas ou três linhas longas, difíceis de ler em tela pequena.

O novo fluxo separa as etapas. A equipe guarda o SRT automático como referência e abre uma cópia para editar. Depois, cola o arquivo numa sessão de IA com a instrução de preservar os timestamps e corrigir só ortografia e pontuação, e recebe uma primeira passada de texto limpo. Em seguida, um revisor humano confere os blocos, marca quem fala em cada diálogo, ajusta os termos técnicos contra uma lista de nomes da casa e reescreve os blocos que passaram de duas linhas. Por último, testa o arquivo no player da plataforma antes de agendar a publicação.

Erros comuns

Pedir “melhore as legendas”. Instrução vaga autoriza o modelo a reescrever tudo. Diga o que preservar e o que mudar.
Editar o arquivo que veio do modelo e não o original. Sem o SRT cru como referência, você perde a noção de onde cada fala realmente estava.
Mexer no tempo antes de fechar o texto. Ajustar tempo e depois mudar o texto desfaz o ajuste. Feche o texto primeiro.
Salvar com BOM. Um caractere invisível no começo do arquivo estraga a primeira legenda em vários players. Salve em UTF-8 sem BOM.
Usar ponto no lugar da vírgula. É confusão clássica com o formato WebVTT. O SRT usa vírgula antes dos milissegundos.
Publicar sem testar no player final. O arquivo que abre no editor nem sempre abre na plataforma de destino.
Traduzir e manter a duração original. O texto traduzido costuma ficar mais longo; recalcule o tempo depois de traduzir.

Perguntas frequentes

Qual a diferença entre SRT e WebVTT?

Os dois são formatos de legenda por tempo. O SRT usa vírgula antes dos milissegundos e numeração simples; o WebVTT, padrão do W3C para legendas na web, usa ponto, exige o cabeçalho “WEBVTT” na primeira linha e aceita estilos e posicionamento. Se o player pede um e você tem o outro, converta e confira se os tempos sobreviveram.

Posso usar a legenda automática do YouTube sem revisar?

Pode publicar, mas o resultado tende a ter erros de nomes, pontuação e sincronia em trechos com fala sobreposta. Para conteúdo sério, revise ao menos os blocos com termos técnicos e os diálogos.

Quantas palavras podem caber em uma legenda?

Depende da duração e da velocidade de leitura. A referência de 160 a 180 palavras por minuto dá cerca de 0,3 segundo por palavra. Uma legenda de dois segundos comporta com folga algo em torno de seis a sete palavras; se o texto passa disso, o tempo é curto ou o texto está longo.

Devo pedir para a IA traduzir as legendas direto?

Pode, mas trate como primeira versão. Depois de traduzir, revise duração e quebra de linha, porque o texto traduzido quase sempre ocupa mais espaço e mais tempo de leitura do que o original.

Como saber se o arquivo salvou com BOM?

Abra o arquivo em um editor que mostra caracteres invisíveis, ou use um comando no terminal para inspecionar os primeiros bytes. Se aparecerem três bytes de marca antes do primeiro número, salve de novo como “UTF-8 sem BOM”.

A IA pode identificar quem fala em cada bloco?

Pode ajudar quando os blocos já estão marcados, mas erra com frequência em falas sobrepostas, onde duas vozes aparecem misturadas na transcrição. Nesses trechos, a atribuição de falante é conferência humana.

Como preparar legendas SRT para revisão com inteligência artificial