Video Lyrics Converter

Propósito y público: esta herramienta procesa pistas de video o audio que contienen vocales y genera letras con marcas de tiempo adecuadas para subtítulos, bases de datos de letras o análisis musical. Usuarios objetivo: editores de video, creadores, productores musicales, lingüistas y archiveros que necesitan una extracción rápida de letras por máquina sin transcripción manual. Casos de uso: flujos de trabajo de subtítulos, búsqueda por palabras clave en letras, metadatos de licencias y auditoría de letras en grandes bibliotecas multimedia.

Lógica central y características: el sistema realiza reconocimiento automático de voz, detección de lenguaje y alineación de letras respecto a las marcas de tiempo del video. Funciones requeridas: ingestion robusta de formatos de video comunes, manejo de idiomas, generación de letras con timecodes y exports en SRT, LRC o TXT. Funciones opcionales/avanzadas: reducción de ruido, diarización de hablantes, extracción solo de letras, puntuación de confianza y granularidad de timecode ajustable por línea.

Entradas y salidas: entradas: archivos de video (MP4, MOV, WEBM) o pistas de audio (WAV, MP3) con indicaciones de idioma opcionales. Salidas: flujo de letras estructurado con marcas de tiempo por línea, transcripciones completas y exports en SRT, LRC o texto plano, junto con puntuaciones de confianza cuando estén disponibles.

Algoritmos y cálculos: métodos centrales combinan modelos ASR con alineación que mapea tokens reconocidos a cadenas de letras preservando señales rítmicas. Se usan códigos de idioma (p. ej., es-ES) y mapeo fonema-lexema con procesamiento posterior para puntuación y errores comunes. Las timecodes se derivan de los timestamps de tokens y posiciones de seek de video.

Errores y casos límite: maneja archivos faltantes o formatos no soportados, detecta segmentos de bajo volumen o alto ruido, y señala posibles solapamientos de hablantes. Si la confianza cae por debajo de un umbral, se anotan outputs para revisión manual; segmentos corruptos se omiten o se sustituyen por marcadores.

Industria/Región & Localización: exporta conforme a estándares de subtítulos (SRT, VTT) y etiquetado de letras (LRC) con etiquetas de idioma en IETF BCP-47. Consideraciones de localización incluyen ortografía regional y formatos de fecha/hora.

Supuestos y Exclusiones: se asume audio predominantemente verbal con poca superposición. No está diseñado para pistas puramente musicales o instrumental. Esta especificación excluye funciones de edición, comportamiento de la UI, branding y posproducción más allá de la transcripción y el alineamiento temporal.