O que custa de verdade não é o texto, são os tempos
Escrever à mão o que diz um vídeo é lento; colocar em cada frase o segundo exato em que começa e em que termina é o que transforma um momento em uma tarde. Um vídeo de dez minutos tem facilmente duzentas legendas, cada uma com duas marcas de tempo ao milissegundo.
Isso é o que sai pronto daqui. Os tempos são calculados sobre o áudio do próprio arquivo, então se encaixam sozinhos ao colocar o SRT sobre o vídeo, sem deslocamentos nem ajustes globais desses que a gente precisa fazer arrastando no editor.