Lo que cuesta de verdad no es el texto, son los tiempos
Escribir a mano lo que dice un vídeo es lento; ponerle a cada frase el segundo exacto en el que empieza y en el que acaba es lo que convierte un rato en una tarde. Un vídeo de diez minutos son fácilmente doscientos subtítulos, cada uno con dos marcas de tiempo al milisegundo.
Eso es lo que sale hecho de aquí. Los tiempos se calculan sobre el audio del propio archivo, así que encajan solos al pegar el SRT sobre el vídeo, sin desplazamientos ni ajustes globales de esos que hay que hacer arrastrando en el editor.