ass字幕是带格式标记的视频字幕文件，里面藏着[色]、[cc]这些控制标签，比如“吃饭了”前面会套上[00,00,00,00]时间轴和[色,FF,FF,FF]颜色代码。转换成文本文件就是把这些标签撕掉，只留纯文字，就像把快递单撕掉只看收件人姓名一样。处理后的文本可能有合并字或错位，比如“吃饭了”和“了”可能连成“吃饭了”，但整体意思不变。

为什么得先撕掉标签？因为ass字幕本质是带指令的代码文件，每个[色]标签占3个字符，[00,00,00,00]时间轴占8个字符。假设10秒字幕有20个标签，转换前每句多出15%的无效字符。比如“看视频”实际存储为[00,00,00,00][色,FF,FF,FF]看视频[00,00,00,00]，转换后变成看视频。数据显示，ass文件标签占30%以上内容，直接复制会多出“吃饭了”变成“吃饭了”这种无效重复。处理时像拆快递一样逐层剥离，但遇到连续指令会合并，比如“吃饭了[色,FF,FF,FF]了”可能变成“吃饭了了”，这就是模拟的常见误差。